rhjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyu

iopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklz
xcvbnmqwertyuiopasdfghjklzxcvbnmrtyuiopasdfgh
jklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuio
ECONOMETRA CON SERIES DE
pasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmq
FOURIER

wertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzx
Francisco Parra Rodrguez
Doctor en Ciencias Econmicas. UNED

cvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasd
fghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwerty
CURSO DE ECONOMETRIA AVANZADO by Francisco Parra Rodrguez is
licensed under a Creative Commons Reconocimiento-NoComercial 3.0
Unported License.

uiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbn
mqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjk
lzxcvbnmrtyuiopasdfghjklzxcvbnmqwertyuiopasdf
ghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyu
iopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklz
xcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopas
dfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwert

Contenido
TEMA I.- ANALISIS ESPECTRAL...................................................................... 5
Series temporales estacionarias..................................................................... 5
Anlisis espectral............................................................................................ 9
TEMA II.- ESTIMACIN DEL PERIODOGRAMA DE UNAS SERIE ARMONICA
......................................................................................................................... 11
Series de Fourier .......................................................................................... 11
Coeficientes de Fourier................................................................................. 11
Ortogonalidad ............................................................................................... 12
Clculo de los coeficientes Fourier ............................................................... 14
Forma compleja de la serie de Fourier ......................................................... 15
Transformada de Fourier. ............................................................................. 16
Clculo del periodograma. ............................................................................ 17
Teorema de Paserval ................................................................................... 18
Test sobre el periodograma .......................................................................... 19
Calculo del periodograma a travs de la Transformada Discreta de Fourier 28
Efecto Gibbs ................................................................................................. 39
TEMA III.- ANALISIS ARMONICO DE PROCESOS BIVARIANTES................ 44
Proceso bivariante ........................................................................................ 44
Anlisis armnico de un proceso bivariante.................................................. 45

Teorema de Plancharel................................................................................. 48
Coeficiente de correlacin de Pearson ......................................................... 50
Multiplicacin se series armnicas. .............................................................. 54
Varianza y Covarianza de Procesos Estacionarios ...................................... 66
Regresin band spectrum. ......................................................................... 77
Regresin con coeficientes Beta dependientes del tiempo. ......................... 87
TEMA IV.- FILTROS LINEALES...................................................................... 97
Operadores de series de tiempo................................................................... 97
Filtros lineales............................................................................................... 98
Filtros elementales...................................................................................... 100
Filtros FIR ................................................................................................... 110
El filtro como producto de convolucin ....................................................... 116
Series de tiempo......................................................................................... 126
Tipos de filtros ............................................................................................ 136
Diseo de Filtros......................................................................................... 142
TEMA V.- APROXIMACIN DE UNA FUNCION UTILIZANDO EL ANALISIS
ARMNICO.................................................................................................... 154
Flexibilidad.................................................................................................. 154
Flexibilidad local ......................................................................................... 155
Forma Flexible de Fourier (FFF)................................................................. 158
La aproximacin FFF multivariada.............................................................. 168
Aproximacin FFF utilizando funciones paramtricas. ............................... 173

TEMA VI.- REGRESION ARMONICA. ........................................................... 213

Introduccin ................................................................................................ 213
Mtodos basados en el periodograma........................................................ 214
Mtodo del espectro mixto.......................................................................... 218
Mtodo de la regresin armnica dinmica ................................................ 219
BIBLIOGRAFA .............................................................................................. 222

TEMA I.- ANALISIS ESPECTRAL

Series temporales estacionarias.
Sea x(t ) un conjunto de observaciones de una variable aleatoria x ; en distintos
momentos del tiempo. Consideramos x(t ) como una realizacin de un proceso
estocstico ergdico; debido a que solo disponemos de una realizacin del
proceso estocstico que ha generado la serie de datos; ante la imposibilidad de
observar distintas realizaciones de x(t ) a lo largo de un periodo de tiempo.
Un proceso estocstico es estacionario en sentido estricto; cuando para todo
n > 0 la funcin de distribucin conjunta de:

F ( xt +1 , xt + 2 ,..., xt + n ) = F ( xt +1+ k , xt + 2+ k ,..., xt + n + k ); k .

Es decir; la funcin de distribucin conjunta es independiente de t; invariante
ante traslaciones de tiempo.
En un sentido amplio; para que un proceso sea estacionario es suficiente que
su esperanza y su funcin de autocovarianza sea independiente de t.
Es decir;
E ( xt ) = E ( xt + k ); k .
Si un proceso es estacionario en media; entonces =

1 n
xi es un estimador
n i =1

insesgado y consistente de E ( xt ) .
Si un proceso es estacionario en covarianza; se cumple la siguiente igualdad

(t , ) = E ({x(t ) E[x(t )]} {x(t + ) E [x(t + )]}) = ( ) ; lo que significa que la

funcin de autocovarianza no depende de t; ( ) = ( ) ; y el estimador de

 ( ) viene dado por C ( K ) =

estimara a partir de C (0) =

1 nk
( xt )( xt + k ) . La varianza; (0) ; se
n t =1

1 n
( xt )( xt ) .
n t =1

Ejemplo 1
Generamos una serie aleatoria de 100 datos; con media 0 y desviacin tpica 1;
que representamos en la figura siguiente:

Tabla nI.1 100 datos generados aleatoriamente

t

x(t)

x(t)

x(t)

-0;30023216

-1;27768317

x(t)

26

-0;5132074

51

-2;57758074

76

1;11118879

27

1;97221198

52

1;44767

77

-1;20117875

0;24425731

28

0;86567297

53

-1;27976364

78

-1;55889211

1;27647354

29

2;37565473

54

-0;65357995

79

0;7113249

1;19835022

30

-0;65490667

55

0;75771368

80

0;63840616

1;7331331

31

1;66145583

56

0;46671175

81

2;20568836

-2;18358764

32

-1;61239768

57

0;87460876

82

1;44375463

-0;23418124

33

0;53894837

58

0;59574177

83

1;3039039

1;09502253

34

0;90219146

59

-1;37184998

84

0;11296038

10

-1;08670065

35

1;91891559

60

-1;11573854

85

0;00195087

11

-0;69020416

36

-0;08451707

61

0;69399448

86

0;45370143

12

-1;69043233

37

-0;52379505

62

0;32263642

87

-0;02551474

13

-1;84691089

38

0;67513838

63

-0;93983772

88

-1;05467507

14

-0;9776295

39

-0;38132384

64

-0;24094788

89

-1;77480615

15

-0;77350705

40

0;75761136

65

0;13153567

90

0;82833139

x(t)

x(t)

x(t)

x(t)

16

-2;11793122

41

-1;44418664

66

0;55779765

91

0;4442245

17

-0;56792487

42

-0;84723752

67

0;138715

92

0;61790615

18

-0;40404757

43

-1;52157099

68

-0;91096126

93

0;21347319

19

0;13485305

44

-0;36287702

69

1;88484591

94

-1;02693093

20

-0;36549295

45

-0;03247919

70

0;48719812

95

1;23819518

21

-0;32699063

46

0;02811703

71

0;07223889

96

-0;31121317

22

-0;37024051

47

-0;32271601

72

0;82984116

97

-0;83992177

23

1;34264155

48

2;19450158

73

0;86200771

98

-0;8211282

24

-0;08528446

49

-1;74248271

74

-0;63653147

99

-0;42899273

25

-0;18615765

50

-0;73647698

75

-0;92319169

100

-0;45336151

Se comprueba que se trata de una serie estacionaria en media; ya que

cualquier promedio que calculemos con dichos datos dar un resultado cercano
a cero:
promedio t=1 a t=25

-0;338416294

promedio t=30 a t=50

-0;075718466

promedio t=40 a t=80

-0;118431073

promedio t=50 a t=100

0;011082193

Dado que la media es cero; el estimador de la funcin de autocovarianza ser

C(K ) =

1 n k
( xt )( xt + k )
n t =1

Que calculado para diferentes valores de k; ofrece los siguientes resultados:

K
1
2
3
4
5
6
7
8
8
10
11
12

C(K)
0;10422912
0;14519783
-0;05630359
0;14891627
-0;01897189
-0;02496519
-0;15232997
-0;02821422
0;05472689
0;10613953
-0;00643896
-0;02514981

Como se puede apreciar el valor de C(K) es independiente de K; tanto en su

valor como en su signo.
De esta forma que el proceso aleatorio que ha generado nuestros datos es
estacionario.
Si generamos a partir de estos datos una serie del tipo:

Yt = 0,5 + Yt 1 + u t
donde u t es la serie generada en el proceso anterior.

Yt=0,5+Yt-1+ut
50
40
30
20
10
0
1
-10

13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

Obtenemos una serie que

no es estacionaria; ya que los promedios que

obtenemos son diferentes

promedio t=1 a t=25

2;09588358

promedio t=30 a t=50

16;3471842

promedio t=40 a t=80

23;4497493

promedio t=50 a t=100 32;0157185

Y una funcin C ( K ) =

1 nk
( xt )( xt + k ) dependiente del tiempo:
n n1

Anlisis espectral
La idea bsica del anlisis espectral es que todo proceso estocstico
estacionario admite una descomposicin nica de su varianza; en la aportacin
que a la misma realizan armnicos de diferentes frecuencias. Un armnico de
frecuencia es una funcin de la forma:

a cos( t ) + b sin( t ) 1

La expresin

a cos( t ) + b sin( t ) da lugar a una funcin peridica de periodo 2

En el anlisis armnico; las series temporales no son consideradas funciones

continuas como tal; sino que se obtienen a partir de una suma de n ciclos con
una amplitud y un periodo determinado; o lo que es lo mismo n de diferentes
armnicos:
n

x(t ) = a i cos( i t ) + bi sin( i t ) ; 0 < 1 < 2 < ... < n (1)

i =1

Siendo ai y bi variables aleatorias con2

E (ai ) = E (bi ) = 0
2 ; si i = j
E (ai a j ) = E (bi b j ) =
0; si i j
E (ai b j ) = 0 i, j
En este tipo de procesos la funcin de autocovarianza ( ) se obtiene:
n

( ) = i2 cos( i )
i =1

En donde i es la varianza del armnico i-esimo; de manera que en

n

(0) = i2 se muestra que la varianza total del proceso es la suma de las

i =1

varianzas de cada armnico.

La estacionariedad de este proceso aleatorio puede seguirse en Contreras, D y Escolano J (1984): EI

anlisis espectral como instrumento para detectar la estacionalidad. ESTADISTICA ESPAOLA
Nm. 104, i 984, pgs. 101 a 144 http://www.ine.es/revistas/estaespa/104_6.pdf

TEMA II.- ESTIMACIN DEL PERIODOGRAMA DE UNAS SERIE

ARMONICA
Series de Fourier3
Una serie de Fourier es una serie infinita que converge puntualmente a una
funcin continua y peridica.

f (t ) = 1 a 0 + a n cos(n 0 t ) + bn sin(n o t )
2
n =1

Donde 0 =

2
se denomina frecuencia fundamental; a n y bn se denominan
T

Coeficientes de Fourier.
Los coeficientes de una serie de fourier pueden calcularse gracias a la
ortogonalidad de las funciones seno y coseno.
Una manera alternativa de presentar una la serie de Fourier es:

f (t ) = C 0 + C n cos(n 0 t n )
n =1

Siendo;

Co =

a0

b
; Cn = an2 + bn2 y n = arctan n
2
an

Ya que cada par de trminos:

a n cos(n 0 t ) + bn sen(n o t )

Se puede seguir en "Series de Fourier, Transformadas de Fourier y Aplicaciones",Genaro Gonzlez,

disponible en
www.dmae.upm.es/WebpersonalBartolo/VariableCompleja/VCParteI/9_Series_de_Fourier.ppt

se pueden expresar como:

an
bn
cos(n0t ) +
sen(n0t )
an2 + bn2
a 2 + b2

an2 + bn2
n n

haciendo

an
= cos n
2
2
a
+
b
n n

bn
= sen n
a2 + b2
n n
y

bn

an

n = arctan

la suma puede expresarse solo en funcin del coseno:

C n [cos n cos(n 0 t ) + sen n sen(n 0 t )] = C n cos(n 0 t n )

Ortogonalidad
Se dice que las funciones del conjunto { f k (t )} son ortogonales en el intervalo
a < t < b si dos funciones cualesquiera f m (t ) ; f n (t ) de dicho conjunto cumplen:
b

0
(t)f n(t)dt =
rn

para m n
para m = n

Las funciones sen t y cos t son ortogonales en el intervalo p < t < p ; ya que:

sent cos tdt =

sen 2t
2

=0

Las funciones del conjunto:

{1, cos( o t ), cos(2 o t ), cos(3 o t ),..., sin( o t ), sin(2 o t ), sin(3 o t ),...};

donde 0 =

2
T
T
son ortogonales en el intervalo < t < ;
T
2
2

Se verifica probndolo a pares:

a) f n (t ) = 1 y . f m (t ) = cos(m 0 t ) :
T/ 2

1cos (m0t)dt =

T/ 2

sen(m0t)
m0

T/ 2

T/ 2

2sen(m0T/ 2 ) 2sen(m )
=
=0
m0
m0

b) f n (t ) = 1 y . f m (t ) = sen(m 0 t ) :

cos (m0t)
1 sen(m0t)dt =

m0
T/ 2
T/ 2

T/ 2

T/ 2

1
[ cos (m0T/ 2 )- cos (m0T/ 2 )] = 0
m0

c) f n (t ) = cos(n 0 t ) y f m (t ) = cos(m 0 t ) :

para m n

T /2

cos(m t)cos(n t)dt = T / 2

0

para m = n 0

T / 2

utilizando las identidades trigonomtricas

cos A cos B = 1 [cos( A + B ) + cos( A + B)]

2

cos 2 = 1 (1 + cos 2 ) .
2

d) f n (t ) = sen(n 0 t ) y f m (t ) = sen(m 0 t ) :

para m n

T/ 2

sen(m t)sen(n t)dt = T/ 2

0

T/ 2

para m = n 0

utilizando las identidades trigonomtricas

senAsenB = 1 [ cos( A + B) + cos( A B)]

2

sen 2 = 1 (1 cos 2 ) .
2

d) f n (t ) = sen(n 0 t ) y f m (t ) = cos(m 0 t ) :
T/ 2

sen(m t) cos (n t)dt = 0

0

para cualquier m,n

T/ 2

utilizando la identidades trigonomtricas

senA cos B = 1 [sen( A + B) + sen( A b)]

2

Clculo de los coeficientes Fourier

Los coeficientes de fourier se calculan multiplicando f (t ) por cos(m0t ) e
integrando de T/2 a T/2:
T /2

f (t ) cos(m 0 t )dt = 12 a 0

T / 2

T /2

T/2

T / 2

n =1

T / 2

cos (m0 t)dt + a n

cos (n t) cos (m t)dt +

0

T /2

b sen(n t) cos (m t)dt

n =1

T / 2

que dada la ortogonalidad de las funciones de seno y coseno implica que:

T /2

a0 =

2
f (t )dt
T T/ 2

T /2

am =

2
T

f (t ) cos(m t )dt
0

T / 2

m = 1, 2, 3,...

T /2

bm =

f (t ) sen(m t )dt

2
T

m = 1, 2, 3,...

T / 2

Forma compleja de la serie de Fourier

Consideremos la serie de Fourier para una funcin peridica f (t ) ; con periodo
T=

f (t ) = 1 a 0 + a n cos(n 0 t ) + bn sin(n o t )
2
n =1

Es posible obtener una forma alternativa usando las frmulas de Euler:

cos(n0t ) = 12 (ein0t + e in0t )
sen(n0t ) =

1
2i

(ein0t e in0t )

sustituyendo:

f (t ) = 12 a0 + [an 12 (e in0t + e in0t ) + bn

n =1

1
2i

(e in0t e in0t )]

dado que 1 = i
i

f (t ) = 12 a0 + [ 12 (an ibn )ein0t + 12 (an + ibn )e in0t ]

n =1

definiendo:

c0 12 a0 , cn 12 (an ibn ), c n 12 (an + ibn )

quedara como:

f (t ) =

n =

e in 0 t

expresin que se conoce como forma compleja de fourier.

Y sus coeficientes c n pueden obtenerse a partir de los coeficientes a n ; bn

como ya se dijo; o bien:
T

cn =

1
T

f ( t ) e in 0 t dt

Transformada de Fourier.
La Transformada de Fourier; F ( ) ; se define para una funcin continua de
variable real; f (t ) ; mediante la siguiente formula:

F( ) =

f(t)e

2 i t

dt

siendo i = 1 ; e 2 i t = cos(2 t ) + isen(2 t ) y u una variable que representa

las distintas frecuencias.
La Transformada de Fourier es una funcin compleja con una parte real y otra
parte imaginaria; es decir:
F ( ) = R( ) + I ( )

donde R( ) es la parte real y I ( ) es la parte imaginaria.

La representacin grfica de la funcin de magnitud F ( ) se le denomina
Espectro de Fourier y se expresa en trminos del modulo del nmero complejo:

F ( ) = R 2 ( ) + I 2 ( )
y al cuadrado de dicha funcin F ( ) se le denomina Espectro de potencias.
2

El grfico de los mdulos al cuadrado frente a la frecuencia es el periodograma

o espectro emprico de la sucesin f (x) .
El periodograma recoge la contribucin que tiene cada armnico a la hora de
explicar la varianza de cada serie; y cada armnico esta caracterizado por la

frecuencia en que tienen lugar los ciclos. Los ciclos que tienen un elevado
periodo (desde que tiene lugar un mximo al siguiente mximo) tendrn una
baja frecuencia y viceversa.

Clculo del periodograma.

Consideremos la serie temporal X t de la que disponemos de un conjunto
discreto y finito de observaciones T observaciones; generadas por un proceso
aleatorio x(t ) como el descrito en el tema 1. Dado que se busca una
representacin de X t que se ajuste a T observaciones; ajustamos los datos a
un polgono trigonomtrico que se asemeje a una serie de fourier; escogiendo

i como:

2 i
T

es decir:
k

X t = 1 a o + a i cos i 2 t + bi sin i 2 t
2
T
T
i =1
k

xt = ( X t ) = a i cos i 2 t
i =1

)+ b sin (i 2 t T )

La forma habitual de obtener el periodograma; es estimar por mnimos

cuadrados los coeficientes ai y bi para cada k = T armnico si el nmero de
2

ntese que 1 a 0 =
2

X
i =1

, lo que implica que a 0

2 T
Xt
T i =1

observaciones es par T o k = (T 1)

si es impar; en un modelo especificado

de la siguiente forma:

x t = a cos t + b sin t + v t
En la que xt sera la serie armnica; = p = 2 p ; T es el tamao de la
T
serie y coincide con el periodo de mayor ciclo que es posible estimar con el
T
v
tamao de la serie; p indica el orden del armnico de los ciclos; t es un
2

residuo no explicado al que se puede considerar irrelevante (caso

deterministico) o que verifica las propiedades clsicas de la perturbacin de los
modelos economtricos.
El periodograma o estimador del espectro se obtendra entonces a partir de la
representacin de I ( i ) =

T a 2p + b p2
4

) frente a los p armnicos; en tanto que

contribucin de la varianza por cada armnico; sera

(a

2
p

+ b p2
2

la

).

Si una serie temporal de ciclos empricos presenta en su periodograma unos

pocos ciclos que explican un porcentaje significativo de su varianza; se puede
obtener el ciclo terico de dicha serie temporal a partir de los i y de los
armnicos correspondientes a dichos ciclos.

Teorema de Paserval
Sea f una funcin continua en el intervalo [ , ] de periodo 2 ; con
desarrollo de Fourier de f :
f ( x) =

c e

x =

inx

donde los coeficientes c n han sido obtenidos a partir de los coeficientes a n , bn .

Entonces se verifica que:

n =

2
n

1
2

f (x )

dx

Particularizando a la serie funcin peridica f (t ) , con periodo T =

f (t ) = 1 a 0 + a n cos(n 0 t ) + bn sin(n o t )
2
n =1

La identidad de Paaserval quedara:

1
2
[
f (t )] = a o2 + a n2 + bn2

2
n =1
1

Las series temporales no son consideradas funciones continuas como tal; sino
muestras de seales continuas tomadas a una misma distancia temporal a
partir de un valor inicial Yo y siendo T el tamao de la serie. De acuerdo a lo
anterior; en la funcin peridica f (t ) la potencia promedio est dada por:
T

1 T 2
1 2 1 2 2
2
f
(
t
)
=
ao + a n + bn2
[
]
T T 2
4
2 n =1

que muestra as que el periodograma estudia de hecho la distribucin de la

varianza o potencia de la serie en funcin de los diversos armnicos:

2 =

1 q 1 2
a n + bn2 + aT2 , q = T

2
2
2 n=1

Test sobre el periodograma

Una forma de contrastar la existencia de algn ciclo en el periodograma de una
serie temporal es el test de Fisher; estadstico g (Fisher; 1929) o relacin entre
la mayor varianza asociada a una determinada frecuencia ( i ); y la varianza
total de la serie.

max w p

g=

w
2
P =1

2
p

Para probar la significacin del periodo p se contrasta el estadstico g contra la

z de una distribucin normal (0;1); siendo la regla de decisin rechazar la
hiptesis nula sobre un componente peridico en Yt si la g calculada excede de
la z en un nivel de significacin del 100%.
La manera habitual de contrastar la existencia de algn ciclo en el
periodograma de una serie temporal a travs del estadstico es calculando:

max S 2
2S 2

G=

El ciclo es significativo si el valor G de esta relacin es igual al valor crtico

calculado segn la siguiente frmula:
Gc = 1 e

ln( p ) ln( m )

m 1

Siendo ln(p) el logaritmo neperiano del nivel de probabilidad elegido y m el

nmero total de datos de la serie (en series de ms de 30 datos).
Una prueba para estudiar la dependencia serial (Durbin; 1969) en series de
observaciones estacionarias

se realiza sobre la grafica del

y1 ,..., yT

periodograma acumulado:
j

sj =

pr

r =1

r =1

donde r = 1,..., m es el periodograma ordinario:

2
pr =
T

y e
t =1

(2irt ) T

El periodograma p j calculado para series y1 ,..., yT de variables independientes

N ( , 2 ) ; se calcula:

aj =

2 T
2 T
1
2jt
2jt
2
2
y i cos
y i sin
; bj =
; p j = a j + b j , j = 1,..., T ,

T t =1
T t =1
2
T
T

1
1
1 1
donde T = T para T y
T para el extremo de T; por simplicidad
2
2
2 2

asumimos que el extremo de T es T = 2m + 1 .

Y su representacin grfica de p j contra j presenta una alta apariencia de
irregularidad en su inspeccin visual. Por ello; una mejor manera de presentar
la informacin de los p j ' s es hacerlo a travs del grfico del periodograma
acumulado; s j .
Se presupone que cuando y1 ,..., yT esta independientemente y normalmente
distribuida; s1 ,..., s m 1 se distribuye igual que el orden estadstico de m 1
muestras

independientes

de

la

distribucin

uniforme

(0;1).

Bartletts

(1954;1966; p 361) sugiere para probar la independencia serial; probar la

mxima discrepancia entre s j y su expectativa; ie. j / m . Para una probar un
exceso de bajas frecuencias relativas frente a altas frecuencias; que
equivaldra a la expectativa de presencia de correlacin serial positiva este
enfoque conduce al estadstico:
j

c + = max s j
j
m

Por el contrario un test contra excesos de variaciones de alta frecuencia el

estadstico apropiado es:
j

c = max s j
j
m

El estadstico que corresponde a las dos partes de la prueba sera:

c = max s j
j

j
= max c + , c
m

Este estadstico esta estrechamente relacionado con el de KolmogoroivSmirnov Dn+ , Dn , Dn y su forma modificada C n+ , C n , C n considerado por Pyke
(1959) y Brunk (1962). Por ejemplo; Dn = max{s j ( j 1) (m 1)}y C n = c + .
j

Los valores crticos para estos estadsticos estn dado en la Tabla nI.1; y el
procedimiento para utilizar estos valores es como sigue. Si deseamos probar el
test de un exceso de bajas frecuencias frente a las altas frecuencias; entonces
el valor obtenido en la tabla, c0 es el valor crtico apropiado al valor de c + ;se
dibujara en el grfico la lnea; y = co + j m y la trayectoria que muestra s j ;

(j

m , s j ) . Si s j cruza la lnea;

se rechaza la hiptesis de independencia serial.

De igual manera; un test

obteniendo los valores que sobrepasan la lnea

sobre al exceso de altas frecuencias frente a las bajas frecuencias se rechaza

si el trayectoria de s j cruza la lnea y = co + j m .

Ejemplo 2
Partimos de una serie temporal generada a partir de un paseo aleatorio o
random walk: Yt = 0,5 + Yt 1 + u t (Ejemplo 1).
La serie Yt presenta una tendencia estocstica; y vamos a descomponerla
utilizando un modelo armnico; partiendo de una representacin de la

tendencia movimiento relevante de la serie temporal obtenida a partir de una

tendencia cuadrtica; T ciclos armnicos ( k ) y un residuo aleatorio vt :
2

Yt = a + bt + ct 2 + (a p cos p 0 t + b p sin p o t ) + vt
k

de manera que

Yt a bt ct 2 = X t = (a p cos p 0 t + b p sin p o t ) + vt
k

En las figuras siguientes se representa la serie de tendencia y la serie de ciclo

en la que se va a estimar un modelo de regresin armnica:

60
50
40
30

serie
tendencia

20
10
0
1

15

22

29 36

43

50 57

64 71

78

85 92

99

-10

El armnico de periodo 100 se elabora a partir de

sin 2 t

100

)para

cos 2 t

100

t=1;.;100. La representacin grfica de ambas series

aparece en la figura siguiente:

La regresin minimo cuadrtica entre ambas series y la serie libre de tendencia

( X t ); ofrece el siguiente resultado:

X t = 1,9645989 cos 2 t

100

)+ 0,1982775 sin (2 t 100)+ v

El armnico de periodo 100 tendr la apariencia de la figura siguiente:

Este proceso repetido para los 50 periodos permite obtener los coeficientes con
los que elaborar el peridograma (Tabla nII.1) y obtener la contribucin de cada
armnico a la varianza de la serie:

Tabla nII.1 Peridograma de X t = 0,5 + X t 1 + ut

Periodo

Frecuencia

ap

bp

(
I ( ) =

T a 2p + bp2

(a

2
p

+ b p2

100

1,9646

0,1983

31,0270

1,9495

50

-4,5393

-1,2468

176,3435

11,0800

33,3

-0,8601

0,9800

13,5296

0,8501

25

0,0836

0,8487

5,7875

0,3636

20

0,4167

-0,3232

2,2129

0,1390

16,7

-0,2059

-0,3632

1,3872

0,0872

14,3

0,4043

-0,6204

4,3640

0,2742

12,5

0,9443

0,2493

7,5906

0,4769

11,1

0,3927

-0,0310

1,2347

0,0776

10

10

0,1284

-0,0895

0,1948

0,0122

11

9,1

0,5349

-0,1027

2,3605

0,1483

12

8,3

0,4158

-0,6016

4,2553

0,2674

13

7,7

-0,0914

-0,1204

0,1817

0,0114

14

7,1

-0,3283

-0,6568

4,2910

0,2696

15

6,7

0,2315

-0,3689

1,5093

0,0948

16

6,3

0,0229

-0,5384

2,3110

0,1452

17

5,9

0,6862

0,2823

4,3813

0,2753

18

5,6

-0,0680

0,2345

0,4745

0,0298

19

5,3

0,3849

-0,1703

1,4097

0,0886

20

0,0347

0,6666

3,5453

0,2228

21

4,8

0,1779

-0,4472

1,8437

0,1158

22

4,5

-0,4350

0,1164

1,6139

0,1014

23

4,3

0,1131

-0,3521

1,0885

0,0684

24

4,2

0,1497

-0,0947

0,2497

0,0157

25

-0,0408

-0,2790

0,6329

0,0398

26

3,8

0,4000

-0,0588

1,3008

0,0817

27

3,7

-0,1789

0,1668

0,4761

0,0299

28

3,6

0,0723

-0,0849

0,0989

0,0062

29

3,4

0,3224

-0,0274

0,8332

0,0524

30

3,3

-0,2087

0,0631

0,3784

0,0238

31

3,2

0,1048

-0,2653

0,6476

0,0407

32

3,1

0,1787

-0,3176

1,0568

0,0664

33

-0,1230

-0,1984

0,4337

0,0273

34

2,9

-0,0622

0,0264

0,0364

0,0023

Frecuencia

Periodo

ap

bp

(
I ( ) =

T a 2p + bp2

(a

2
p

+ b p2

35

2,9

-0,1591

-0,1623

0,4112

0,0258

36

2,8

0,1015

-0,1112

0,1803

0,0113

37

2,7

0,2003

-0,1354

0,4651

0,0292

38

2,6

0,0203

-0,3006

0,7224

0,0454

39

2,6

-0,1624

-0,1121

0,3100

0,0195

40

2,5

0,0803

-0,0196

0,0544

0,0034

41

2,4

0,2538

-0,0593

0,5406

0,0340

42

2,4

0,1154

0,0976

0,1817

0,0114

43

2,3

0,0424

-0,0466

0,0316

0,0020

44

2,3

-0,1813

0,0087

0,2621

0,0165

45

2,2

0,1713

-0,1175

0,3435

0,0216

46

2,2

0,1210

0,0457

0,1331

0,0084

47

2,1

0,2881

-0,3458

1,6119

0,1013

48

2,1

0,0071

0,0818

0,0536

0,0034

49

0,0804

-0,1184

0,1630

0,0102

50

0,0000

-0,0939

0,0701

0,0044

Como vemos es el segundo armnico; el ciclo de periodo 50; el que ms

contribuye a la varianza de la serie.
La representacin grfica del periodograma de la serie de ciclo sera entonces
el siguiente:

Para comprobar la significacin estadstica del ciclo de o periodo 50;

calculamos es estadstico G =

max S 2
11,07999
=
= 0,37605
2
2 18,0681
2S

El ciclo es significativo para un nivel de probabilidad del 95% ya que el valor G

de esta relacin superior al valor crtico calculado Gc = 1 e

ln( 0 , 05 ) ln( 50 )
49

= 0,1315 .

La representacin grfica del test sobre el periodograma acumulado:

1,4000000
1,2000000
1,0000000
0,8000000
0,6000000
0,4000000
0,2000000
0,98

0,92

0,86

0,8

0,74

0,68

0,62

0,56

0,5

0,44

0,38

0,32

0,26

0,2

0,14

0,08

-0,2000000

0,02

0,0000000

Contrastar la presencia de ciclos de baja frecuencia frente a los ciclos de alta

frecuencia; al cruzar la trayectoria de

s j ; la banda superior de los valores

crticos del test.

Calculo del periodograma a travs de la Transformada Discreta de

Fourier5
Tomando N muestras de una seal periodica y k = f (t k ) de periodo T en
instantes separados por intervalos regulares:

t 0 = 0, t1 =

T
2T
kT
( N 1)T
, t2 =
,..., t k =
,..., t N 1 =
N
N
T
N

Elaborado a partir de http://personal.us.es/contreras/t05fft.pdf (apuntes de

Ampliacin a las Mtemticas, de Manuel D. Contreras, Escuela Tcnica Superior de
Ingenieria (Universidad de Sevilla)

Cabe aproximarla mediante una combinacin g (t ) de funciones T-peridicas

conocidas que tome en dichos puntos el mismo valor que f. Este procedimiento
se conoce como interpolacin trigonomtrica.
Las funciones T-peridicas que se utilizan son los armnicos complejos e jnwt
con w =

2
y puesto que hay N puntos; si queremos que el problema tenga
T

solucin nica debemos combinar un total de N armnicos.

La funcin g (t ) utilizada en la aproximacin; toma entonces la forma general:

1
1
g (t ) =
0 + 1e jwt + 2 e j 2 wt + ... + N 1e j ( N 1) wt =
N
N

N 1

n =0

e inwt

Tal que y k = g (t k ) para cada k=0;1;;N-1.

Entonces:
yk =

1
N

N 1

e jnwt =
k

n =o

1
N

N 1

ink 2

n=0

1
N

N 1

w
n=0

nk
N

; k = 0,1,..., N 1

Siendo wN = exp j 2 la raz primitiva N-sima de la unidad.

N

En forma matricial se expresa:

1
y0
1
y
1
w
1

y2
1 w 2

1
.
. = N .
yk
1 w k

.
,
.
y
1 w N 1

N 1

[ ]

donde FN = w nk

N 1

n ,k =0

1
w2
w4
.
w2k
.
2 ( N 1)
w

.
1
.
w
. w 2
.
.
.
wk
.
.
( N 1)
. w

.
1
0

N 1
.
w
1
2 ( N 1)
2
. w

.
.
.
. w ( N 1)k k

.
.
,
. w ( N 1)( N 1) N 1

la matriz de Fourier de orden N.

Al vector se le denomina transformada discreta de Fourier del vector

denotndose como : = DFT ( y ) .

y;

Una forma de obtener la DFT es a travs del algoritmo FFT (Fast Fourier
Transform); desarrollado por diseado por J.W. Cooley y John Tukey en 1965.
Si la funcin que interpolamos es una funcin real de periodo T; g (t k ) = y k ;
donde k = 0,1,..., N 1 ; que utiliza la forma general:

g (t ) = n (a n cos(nwt ) + bn sin(nwt ) )
con w = 2

ao =

; suponiendo que N = 2 M ; si = DFT ( y ) ; entonces:

0
N

; an =

2 Re( n )
2 Im( n )

; bn =
; (n = 1,2,..., M 1) ; a M = M ;
N
N
N

y el polinomio trigonomtrico:
M 1

g (t ) = a 0 + (a n cos(nwt ) + bn (nwt ) ) + a M cos( Mwt )

n =0

Ejemplo 3
Utilizamos los datos del ejemplo 2; serie X t ; sin tendencia; que se cargan en
R:
y <- c(0.323027827 ; -0.738124684; -0.281638647; 1.202761696; 2.604736789; 4.537192839; 2.548626219;
2.505164067; 3.786603757; 2.882018343; 2.369627491; 0.852706545; -0.824994893; -1.637716864; -2.25061832; 4.212245866; -4.628168995; -4.884516748; -4.606265808; -4.832662799, -5.024859396 ,
-5.264607805;
3.795776075; -3.75917228; -3.827743607; -4.227666609; -2.146472166; -1.176118654; 1.299914689; 0.741084701;
2.494315284; 0.969390431; 1.591509703; 2.572570135; 4.566052768; 4.551800817; 4.093968956;
4.8307686;
4.506804092; 5.317472861; 3.922041704; 3.119257741; 1.637838373; 1.310811053; 1.30987963; 1.365242501;
1.065470411; 3.278613974; 1.550471324; 0.824032479; -1.747812061; -0.298707783; -1.581339071; -2.24208859;1.495846423; -1.044908103; -0.190374706; 0.380989772; -1.01953942; -2.168259106; -1.511547698; -1.230496273; 2.216220919; -2.507357658; -2.430312769; -1.93130783; -1.855687473; -2.8340453; -1.020897877; -0.609700176; 0.617763633; 0.127473247; 0.900574754; 0.170835155; -0.849866595; 0.159510213; -1.147782448; -2.817090398; 2.220483265; -1.701096798; 0.381269939; 1.697401014; 2 .869379435; 2.846112408; 2.707533939; 3.016404109;
2.841756183; 1.633645998; -0.298897198; 0.367395225; 0.645278822; 1.092542147; 1.131070577; -0.075107037;
0.979539535; 0.480475826; -0.551598408; -1.569180997; -2.198930053; -2.85734981)

Se calcula la transformada de Fourier

z <- fft(y)

A travs de la inversa se obtiene la serie y

y2 <- fft(z;inverse=TRUE)/100
Para representar el periodograma:
CF = abs(fft(y)/sqrt(100))^2
P = (4/100)*CF[1:51] # Solo se necesitan los (n/2)+1 valores de la FFT .
f=(0:50)/16 # Para crear las frecuencias armnicas de 1/100 en pasos de 0 a

0.5 . plot(f; P; type="l") # grfica del periodograma; tipo = l grficos de lnea.

0.0

0.5

1.0

1.5
f

Se puede calcular directamente el espectro con:

spec.pgram(y)

2.0

2.5

3.0

1e-01
1e-03

spectrum

1e+01

Series: y
Raw Periodogram

0.0

0.1

0.2

0.3

0.4

0.5

frequency
bandwidth = 0.00289

Ventanas
Hasta ahora hemos supuesto que las frecuencias eran frecuencias de Fourier y
por tanto = p = 2 p ; donde p indica el orden del armnico de los
T
T
T 1
ciclos si T es par o
si T es impar; y se interpreta como el nmero de
2
2

veces que un sinusoide (un armnico) de frecuencia p ejecuta un ciclo

completo en la muestra considerada; es decir si p = 4 ; la frecuencia asociada

4 = 2 4 T al armnico determina que este ejecute 4 ciclos completos a lo

largo de T. A este tipo de frecuencias se denominan frecuencias de Fourier;

Si suponemos que existe un armnico que se repite cuatro veces y media;

dicha frecuencia no producir ciclos enteros en la muestra y nos encontramos
con una frecuencia que no es de Fourier.
Estas frecuencias originan un problema que se denomina leakage o
distorsin; que determina que los pesos significativos del periodograma se
repartan entre frecuencias contiguas.
Una de las maneras de solucionar el leakage consiste en aplicar transformar
la serie original multiplicndola por una expresin que se denominan Data
Windows o taper; y obtener el periodograma a partir de la serie transformada.
As es estimador de la funcin de densidad espectral puede considerarse
como:
f ( ) = w I

Donde w es la funcin de pesos o ventana espectral y I es el periodograma.

Dado de que lo que se trata es de promediar algunos valores contiguos del
periodograma; podra utilizarse una media mvil de amplitud n :

n 1
1
; t = 0 1 2 ...
wt = n
2
0; en otro caso

Han sido propuestas gran nmero de ventanas; las ms utilizadas son:

Ventana de Tuckey
t
wt = 1 2a + 2a cos ; t = 1,2,...., T
T

Cuando a = 1 ; tenemos la ventana de Tuckey-Hamming.

4

Ventana de Parzen

3
2

t
T
t
1 6 + 6 , t = 1,2,...,
2
T
T

3
wt =

t
T
21
, t = ,..., T
M
2

Boxcar;

t + 1
1
2 , t = 1,2,..., m

1 cos

2
m

wt = 1, t = m + 1, m + 2,...T m

2 t + 1
1

2 , t = T m + 1,..., T

1
cos
2

donde m es arbitrario; si bien suele elegirse un valor de m m tal que 2m se

T
site entre 0;1 y 0;2.
Ejemplo 3
Partimos ahora de una serie temporal generada tambin a partir de un paseo
aleatorio: X t = 0,7 + X t 1 + u t
Xt=0,7+Xt-1+ut
80
70
60
50
40
30
20
10
0
-10 1

13

19

25

31

37

43

49

55

61

67

73

79

85

91

97

Al igual que en el ejemplo anterior la representamos a partir de una tendencia

cuadrtica; T ciclos armnicos ( k ) y un residuo aleatorio vt :
2

X t = a + bt + ct 2 + (a p cos p 0 t + b p sin pwo t ) + vt

k

80
70
60
50
40

serie

30

tendencia

20
10
0
-10

15

22

29 36

43

50 57

64 71

78

85 92

99

ciclo
10

0
1

13

19

25

31

37

43

49

55

61

67

73

79

85

91

97

-5

-10

-15

En la Tabla nII.2 figura el periodograma obtenido para la serie del ciclo; y la

contribucin de cada armnico a la varianza de la serie del ciclo:

Tabla nII.2. Peridograma de X t = 0,7 + X t 1 + u t

Frecuencia

Periodo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

100,0
50,0
33,3
25,0
20,0
16,7
14,3
12,5
11,1
10,0
9,1
8,3
7,7
7,1
6,7
6,3
5,9
5,6
5,3
5,0
4,8
4,5
4,3
4,2
4,0
3,8
3,7
3,6
3,4
3,3
3,2
3,1
3,0
2,9
2,9
2,8
2,7
2,6
2,6
2,5
2,4
2,4
2,3
2,3
2,2
2,2
2,1
2,1
2,0
2,0

ap

bp
-0,2110
1,1667
0,4941
-1,2791
-0,8241
-0,4266
0,0438
-0,0368
-0,6166
-0,0586
-0,1446
0,0187
-0,0575
0,0573
-0,1272
0,0088
0,2229
-0,0960
-0,0798
0,0093
0,1882
0,0061
0,0606
-0,1136
-0,0068
0,0335
-0,1061
-0,2058
0,0969
-0,0732
-0,0285
-0,0830
0,0538
0,0214
-0,0530
-0,0487
-0,1063
-0,0133
-0,0817
-0,0455
-0,1219
0,1115
-0,1221
-0,0587
-0,0336
-0,0320
-0,1472
0,1568
-0,1331
-0,0357

I ( i ) =
0,0378
-1,8327
1,5931
0,9271
0,1411
0,2616
-0,1344
-0,6672
-0,1010
-0,0323
0,5501
-0,1595
0,0127
-0,0427
0,1242
-0,1077
-0,0498
0,0846
-0,0534
0,1378
0,3272
0,0851
0,2790
-0,0739
0,0668
0,0219
-0,0313
0,0025
0,1046
-0,0683
-0,0618
-0,0210
0,0501
-0,0774
0,1101
0,1342
0,0886
0,1172
0,0276
0,0437
0,0317
0,0068
-0,0584
-0,1023
-0,0322
0,0526
-0,1080
0,0141
0,0702
0,0000

T a 2p + b p2

4
0,3656849
37,5595401
22,1396831
19,8601863
5,5625155
1,9925024
0,1590759
3,5529780
3,1062465
0,0356299
2,5746528
0,2052891
0,0276274
0,0406400
0,2516629
0,0928843
0,4152326
0,1303262
0,0733320
0,1517308
1,1337825
0,0579486
0,6486464
0,1461307
0,0359289
0,0127292
0,0974683
0,3371945
0,1617221
0,0797758
0,0368925
0,0583738
0,0430352
0,0513593
0,1187947
0,1621235
0,1523580
0,1106688
0,0591299
0,0316636
0,1262841
0,0992150
0,1457501
0,1106862
0,0171901
0,0301679
0,2652549
0,1972261
0,1802987
0,0101518

(a 2p + b p2 )
2
0,022976663
2,359935505
1,391077317
1,24785231
0,349503158
0,125192617
0,009995032
0,223240194
0,195171222
0,002238693
0,161770205
0,012898691
0,001735882
0,002553484
0,015812449
0,005836095
0,026089834
0,008188634
0,004607585
0,009533526
0,071237653
0,003641018
0,040755655
0,009181664
0,002257479
0,0007998
0,006124116
0,021186554
0,010161297
0,005012461
0,002318026
0,003667734
0,002703981
0,003227
0,007464089
0,010186521
0,009572936
0,006953527
0,003715241
0,001989481
0,007934661
0,006233859
0,009157751
0,006954617
0,001080084
0,001895502
0,016666458
0,012392081
0,011328502
0,000637855

Como vemos es el segundo armnico; el ciclo de periodo 50 el que ms

contribuye a la varianza de la serie; pero tambin tienen importancia los ciclos
de periodo 33 y 25; tercer y cuarto armnicos; tal y como se aprecia en la
representacin del periodograma de la serie de ciclo:

El estadstico G =

max S 2
2,3599
=
= 0,1302 ; esta en el lmite de nivel de
2
2 6,5386
2S

probabilidad del 95%. Circunstancia que no concurre en los otros armnicos

relevantes.
Aplicamos la transformacin de Tuckey-Hammond a la serie X t ; y obtenemos
el peridograma de la serie transformada X t wt :

Tabla nII.3. Peridograma de X t wt

Frecuencia

Periodo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

100,0
50,0
33,3
25,0
20,0
16,7
14,3
12,5
11,1
10,0
9,1
8,3
7,7
7,1
6,7
6,3
5,9
5,6
5,3
5,0
4,8
4,5
4,3
4,2
4,0
3,8
3,7
3,6
3,4
3,3
3,2
3,1
3,0
2,9
2,9
2,8
2,7
2,6
2,6
2,5
2,4
2,4
2,3
2,3
2,2
2,2
2,1
2,1
2,0
2,0

I ( i ) =

T a 2p + b p2

0,365684943
37,5595401
22,13968313
19,86018634
5,562515516
1,992502383
0,159075869
3,55297804
3,106246475
0,035629913
2,574652777
0,205289051
0,027627417
0,040639967
0,251662938
0,092884333
0,415232604
0,130326164
0,073331992
0,15173078
1,133782468
0,057948604
0,648646395
0,146130718
0,035928901
0,012729209
0,097468327
0,337194483
0,161722065
0,079775802
0,036892537
0,058373807
0,043035199
0,051359306
0,118794665
0,162123518
0,152358011
0,110668814
0,059129903
0,031663576
0,126284059
0,099214953
0,145750137
0,110686164
0,017190072
0,030167853
0,265254924
0,197226098
0,180298716
0,010151779

t
wt = 1 2a + 2a cos
T

0,999013364
0,996057351
0,991143625
0,984291581
0,975528258
0,964888243
0,952413526
0,93815334
0,922163963
0,904508497
0,885256621
0,864484314
0,842273553
0,818711995
0,793892626
0,767913397
0,740876837
0,712889646
0,684062276
0,654508497
0,624344944
0,593690657
0,562666617
0,53139526
0,5
0,46860474
0,437333383
0,406309343
0,375655056
0,345491503
0,315937724
0,287110354
0,259123163
0,232086603
0,206107374
0,181288005
0,157726447
0,135515686
0,114743379
0,095491503
0,077836037
0,06184666
0,047586474
0,035111757
0,024471742
0,015708419
0,008856375
0,003942649
0,000986636
0

wt I (i )
0,365324145
37,411456
21,9436058
19,54821421
5,426391072
1,922542124
0,151506009
3,333238216
2,864468559
0,032227559
2,279228419
0,177469164
0,023269843
0,033272429
0,199793351
0,071327124
0,307636219
0,092908173
0,050163649
0,099309085
0,707871351
0,034403545
0,364971673
0,077653171
0,017964451
0,005964968
0,042626153
0,137005269
0,060751711
0,027561862
0,011655744
0,016759724
0,011151417
0,011919807
0,024484456
0,029391049
0,024030888
0,01499736
0,006784765
0,003023602
0,009829451
0,006136113
0,006935735
0,003886386
0,000420671
0,000473889
0,002349197
0,000777593
0,000177889
0

En la figura se comprueba el suavizado que introduce la ventana en el

espectro.

40
35
30
25
20
15
10
5
0
1

10 13 16 19 22 25 28 31 34 37 40 43 46 49

Efecto Gibbs
Una de las muchas derivaciones interesantes; aunque desde luego no la ms
importante; a que ha dado lugar el anlisis de Fourier; es el llamado fenmeno
de Gibbs; que surge a mediados del siglo XIX. Este efecto investigado por J.W
Gibas se basa en la no convergencia uniforme de la serie de Fourier en las
cercanas de un punto de discontinuidad.
Si la serie de Fourier para una funcin f(t) se trunca para lograr una
aproximacin en suma finita de senos y cosenos; es natural pensar que a
medida que agreguemos ms armnicos; el sumatorio se aproximar ms a
f(t). Pero esto se cumple excepto en las discontinuidades de f(t); en donde el
error de la suma finita no tiende a cero a medida que agregamos armnicos.

Por ejemplo; si consideremos la siguiente serie armnica:

f (t ) =

[sen(0t ) + 13 sen(30t ) + 15 sen(50t ) + ...]

1 .5

S e r ie c o n 1 a r m n i c o

1
0 .5
0
-0 .5
-1
-1 .5
-1

-0 .5

0
f (t ) =

1 .5

0 .5

[sen(0t )]

S erie c on 3 arm n ic os

1
0 .5
0
-0 .5
-1
-1 .5
-1

-0 .5

0.5

1.5

S erie con 5 arm n icos

1
0.5
0
-0.5
-1
-1.5
-1

1 .5

-0.5

0.5

S e r ie c o n 7 a r m n ic o s

1
0 .5
0
-0 .5
-1
-1 .5
-1

-0 .5

0 .5

1 .5

S erie c on 1 3 arm n ic os

1
0 .5
0
-0 .5
-1
-1 .5
-1

1.5

-0 .5

0 .5

Serie con 50 armnicos

1
0.5
0
-0.5
-1
-1.5
-1

-0.5

0.5

1 .5

S e rie c o n 1 0 0 a rm n ic o s

1
0 .5
0
-0 .5
-1
-1 .5
-1

-0 .5

0 .5

TEMA III.- ANALISIS ARMONICO DE PROCESOS BIVARIANTES

Proceso bivariante
Un proceso bivariante z (t ) es un par formado por dos procesos univariantes;
x(t ) y y (t ) ; donde E [x(t )] = x (t ) y E [ y (t )] = y (t ) .

La funcin de autocovarianza de x(t ) ser:

x (t , ) = E{( x(t ) x (t ) )( x(t + ) x (t + ) )}

en tanto que la funcin de autocovarianza de y (t ) ser:

y (t , ) = E {( y (t ) y (t ) )( y (t + ) y (t + ) )}
Se denomina funcin de cross-varianza o covarianza cruzada a:

xy (t , ) = E {( x(t ) x (t ) )( y (t + ) y (t + ) )}
Hay que sealar que xy (t , ) no es igual a yx (t , ) ; pero existe una relacin
entre las dos funciones; ya que

xy (t , ) = yx (t + , )
Sealar; por ltimo; que la covarianza entre x(t ) y y (t ) sera yx (t ,0) .
Si se asume la estacionariedad de

x(t ) y

y (t ) ; entonces E [x(t )] = x y

E [ y (t )] = y ; y la funcin de cross-varianza no depender ms que del retardo

.
Suponiendo que x = y = 0 ; se comprueba que xy (t , ) ; no depende ms que
del retardo ; es decir xy (t , ) = xy ( ).

xy (t , ) = E{(x(t ) )( y (t + ) )} = E{( x(t + s) )( y (t + s + ) )}, s, t

La funcin de correlacin cruzada se define como:

xy ( ) =

xy ( )
x (0) y (0)

Cuando = 0 ; xy (0) es la covarianza habitual y

xy (0) =

xy (0)
x (0) y (0)

el coeficiente de correlacin de Pearson entre x(t ) y y (t ) .

Los estimadores de xy ( ) y xy ( ) se calculan as:
1 T k
T ( x(t ) x )( y (t + k ) y ) ; k = 0, 1, ... , T 1
C xy (k ) = T k t =1
1 ( x(t ) x )( y (t + k ) y ) ; k = 1, 2, ... ,(T 1)
T t =1
rxy (k ) =

C xy (k )
C x ( 0) C y ( 0)

Anlisis armnico de un proceso bivariante.

La funcin de autocovarianza que obtenemos en el dominio temporal; tiene
tambin su correspondiente representacin en el dominio frecuencial; esta es el
cross-espectro o espectro cruzado. As; si partimos de dos procesos
estacionarios x(t ) y y (t ) ; con la siguiente representacin espectral:

x(t ) = cos t dU x ( ) + sent dV x ( )

y (t ) = cos t dU y ( ) + sent dV y ( )

Donde U i ( ) e Vi ( ) ; i = x, y son procesos estocsticos con dominio definido

en (0, ) ; con media 0 y de incrementos incorrelacionados. Dado que dichos
procesos son conjuntamente estacionarios en covarianza; se demuestra que:

E dU x ( ) dU y ( ' ) = E dV x ( ) dV y ( ' ) = E dU x ( ) dV y ( ' ) = E dV x ( ) dU y ( ' ) = 0

si '

E dU x ( ) dU y ( ) = E dV x ( ) dV y ( ) = C ( )d

E dU x ( ) dV y ( ) = E dV x ( ) dU y ( ) = q ( )d

Funciones que permiten expresar la cross-varianza como:

xy ( ) = cos t C ( )d + sent q ( )d
Que implica que la covarianza entre x(t ) e y (t ) sea:

xy (0) = C ( )d
0

El cross-espectro se formula como:

f xy ( ) =

xy ( ) e i ; 0
=

Dado que en general el cross-espectro es complejo; se define el cross-espectro

(C) como la parte real de cross-espectro y el espectro de cuadratura (Q) como
la parte imaginaria; que adems coinciden con C ( ) y q ( ) :
f xy ( ) = C ( ) iq ( )

Entonces se deduce que:

C ( ) =

xy ( ) cos
=

xy ( ) sen
=

q ( ) =

Otra forma de presentar las funciones C ( ) y q ( ) ; sera la siguiente:

C ( ) =

C ( ) =

1
2

1
2

xy

xy

( ) cos

( ) cos ;

La representacin trigonomtrica del cross-espectro ser:

f xy ( ) = xy ( ) e

i xy ( )

Donde

xy ( ) = C 2 ( ) + q 2 ( )
Se conoce como espectro de cross-amplitud.
Y

q( )

C ( )

xy ( ) = arctg
Llamado espectro de fase.

Del cross-espectro y de la funcin de densidad espectral individual de las dos

series x(t ) e y (t ) se obtiene la funcin de coherencia:
R( ) =

C 2 ( ) + q 2 ( )
.
f x ( ) f y ( )

El cross-espectro representa la aportacin a la covarianza entre x(t ) y y (t ) de

sus diversos componentes armnicos. Como su interpretacin no es simple; se

utilizan las funciones de espectro de fase y coherencia; ya que el espectro de

fase revela el desfase o retardo que en el comportamiento cclico sigue una
serie

respecto a la otra; y el anlisis de la funcin de coherencia permite

identificar si la correlacin que se da entre las dos series se debe a que ambas
siguen un comportamiento cclico en determinados periodos; permitiendo
identificar la duracin o periodo de los armnicos que dominan en ambas series
a la vez y que producen una alta correlacin.
La construccin del cross-espectro cuando = 0 ; y xy (0) es la covarianza
habitual; da lugar a las siguientes funciones C ( ) y q ( ) :

C ( ) =

xy (0)
2

q ( ) = 0

Ya que el coseno de = 0 ; es uno; y su seno es cero.

Si

E [x(t )] = x = 0 y E [ y (t )] = y = 0 ; es decir ambas series tienen un valor

T

medio igual a cero; la covarianza entre xt e y t ; sera xy (0) = xt y t ;y la parte

t =1

real del cross-espectro se obtendra a partir de:

C ( ) =

1
2

x y
t =1

Teorema de Plancharel
Sean A(x) y B(x) dos funciones continuas de periodo 2 cuyos desarrollos de
Fourier son

A( x) =

a e

x =

inx

B( x) =

b e

x =

inx

Entonces se verifica la relacin de Plancharel entre los correspondientes

productos escalares:

a b

n n

n =

1
2

A(x )B(x )dx

Si A( x) = B( x) se obtiene la identidad de Parseval

n =

2
n

1
2

A(x )

dx

De igual manera que la identidad de Parseval estudia la distribucin de la

varianza de una serie desarrollada en sus armnicos, la de Plancharel estudia
la covarianza entre dos series desarrolladas en sus armnicos.

xt = (a p cos p 0 t + b p sin p o t ) y otra

k

Partiendo de una serie armnica

p =1

definida como yt = a *p cos p 0 t + b *p sin p o t , en donde k = T

p =1

el nmero de observaciones es par T o k = (T 1)

armnicos si

si es impar, la expresin de

la igualdad de Plancharel sera:

T

1 T 2
1 2 *
y
x
=
a n a n + bn*bn

t t

T
T 2
2 n =1

El producto escalar de xt por y t

T

x
t =1

T k

y t = (a p cos p 0 t + b p sin p o t ) a *p cos p 0 t + b *p sin p o t

t =1 p =1

equivale a T

(a

a *p + b p b *p
2

t =1

) , gracias a la ortogonalidad de las funciones seno

y coseno6 .
Coeficiente de correlacin de Pearson
Dado que la covarianza entre las series armnicas xt e y t se desarrolla a partir
de los coeficientes de Fourier;
T

x y =

(a

a p*+b p b *p

r r

p=1

(a

cabe considerar a cada expresin

a *p + b p b *p
2

como la contribucin del

armnico p a la formacin de la covarianza, de manera que la representacin

de C xz (w p ) =

T a p a *p + b p b *p

frente a los p armnicos permite apreciar las

frecuencias entre las que las series xt y y t covaran y su sentido positivo o

negativo. Se puede observar que un ciclo relevante en ambas series originar

Dado que

cos( p
t =1

Utilizando

las

t) = 0 y

sen( p
t =1

identidades

t ) = 0 siendo 0 =

2
.
T

cos A cos B = 1 [cos( A + B ) + cos( A + B)],

2

trigonomtricas

senAsenB = 1 [ cos( A + B) + cos( A B)] , senA cos B = 1 [sen( A + B) + sen( A b)] ,

2
2
sen 2 = 1 (1 cos 2 ) y cos 2 = 1 (1 + cos 2 )
2
2
Se llega a que
T

cos 2 p 0 t = T ,

2
t =1
T

sin m
t =1

sin 2 p 0 t = T , y

2
t =1

t sin n 0 t = 0 y

cos m
t =1

cos m
t =1

t cos 0 t = 0

t sin n 0 t = 0 y

un valor alto en C xz (w p ) , en tanto que un ciclo poco relevante en alguna de las

dos series dar lugar a un valor bajo en C xz (w p ) .
En tanto que el coeficiente de correlacin de pearson se obtendra a partir de:

(a
k

xy (0)

p =1

a *p + b p b *p

)
k 2
a p + b p2

p =1

) (a
k

p =1

*2
p

2
+ b *p

Por otro lado, si utilizamos la definicin alternativa de las series de fourier:

n =1

p =1

f (t ) = C 0 + C n cos(n 0 t n ) , tenemos que x(t ) = C 0 + C p cos( p 0 t p ) e

k

y (t ) = C 0* + C n* cos( p 0 t k* ) ,

en

donde

p =1

bp * a*
, C0 = 0 , C * =
n

2
ap

p = arctan

(a ) + (b )
* 2
p

* 2
p

Co =

a0

, C p = a 2p + b p2

b *p
y, p* = arctan *
a
p

y,

Se aprecia entonces que en cada armnico p , p determinara el ngulo de

desfase en radianes de cada serie de fourier, si queremos obtener el desfase
en unidades de tiempo, hay que dividirlo por la frecuencia fundamental ,

o :

p p* p p*
p
. Entonces la diferencia

=
, determinara el desfase entre
0
0 0
o

los armnicos p de las dos series.

En definitiva; los coeficientes de Fourier tambin permiten analizar la
covarianza cruzada y los desfases que se dan entre las frecuencias relevantes
de dos series armnicas.
Ejemplo 4
Utilizando los coeficientes de Fourier de los peridogramas calculados en las
Tablas nII.1 y nII.2; se comprueba que la covarianza de los ciclos obtenidos
en las dos series de paseos aleatorios; se puede obtener a partir de:

(a

a *p + b p b *p )
2

Tabla nII.4. Aproximacin de la covarianza a partir de los coeficientes de

Fourier.
Frecuencia

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

Periodo

100;0
50;0
33;3
25;0
20;0
16;7
14;3
12;5
11;1
10;0
9;1
8;3
7;7
7;1
6;7
6;3
5;9
5;6
5;3
5;0
4;8
4;5
4;3
4;2
4;0
3;8
3;7
3;6
3;4
3;3
3;2
3;1
3;0
2;9
2;9
2;8
2;7
2;6
2;6
2;5
2;4
2;4

*
*
a(a p a p + b p b p )
+
2
2

2
p

0;01625604
3;432348057
-0;443051466
-0;50404475
0;162582224
0;050523557
-0;040761565
-0;319594953
-0;010262224
0;000551692
0;154544388
-0;038775457
0;00288197
-0;011791378
0;037848627
-0;003607017
0;014365564
-0;014137574
-0;003482801
0;005504241
-0;012993884
-0;018158192
0;005098359
-0;000153256
-0;000413749
0;003395964
-0;00605133
0;00883113
0;01553574
0;00482251
0;000538483
0;011315354
-0;008422354
0;002692719
-0;004455511
0;009515013
0;016067157
0;003185531
0;002334467
0;002199355
0;007634174
0;005829628

43
44
45
46
47
48
49
50

2;3
2;3
2;2
2;2
2;1
2;1
2;0
2;0

0;001607622
0;009014749
-0;000784088
0;002453462
0;009902558
0;006459713
0;010706219
0;001676157

La covarianza de ambas series de ciclo es C xy (0) = 2,5789 ;

k

(a

a *p + b p b *p )
2

p =1

en tanto que

2,4789 y se comprueba que el ciclo de periodo 2 es el ciclo

ms relevante para analizar dicha covarianza.

Obtenemos ahora el ciclo determinante del paseo aleatorio utilizado en el

2
2
ejemplo 1 1,2467 cos 2
t 4,539 sen 2
t y del paseo aleatorio utilizado
100
100
2
2
en el ejemplo 3: 1,1666 cos 2
t 4,5393sen 2
t ; y los representamos en
100
100

el grfico adjunto:
6
4
2
0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97
-2
-4
-6
Segundo armnico del paseo aleatorio ejemplo 1
Segundo armnico del paseo aleatorio ejemplo 3

Utilizando la denominacin alternativa C n cos(n 0 t n ) ; el segundo armnico

2

del ejemplo 1 se obtendra a partir de: 4,7074 cos 2

t 1,3027 y el del
100

ejemplo 3 a partir de: 2,1725 cos 2

t + 1,0039 . Se comprueba; entonces; que
100

el segundo

armnico del ejemplo 1 esta en retrasado 1;3027 radianes; si

queremos obtener el retardo en unidades de tiempo; hay que dividirlo por la

frecuencia fundamental :

n
1,307
; es decir dicho armnico estara retrasado
=
0 2
100

20;73 unidades de tiempo; en tanto que el segundo armnico del ejemplo 3

esta adelantado 15;98 unidades de tiempo (

n 1,003
). En consecuencia
=
0 2
100

entre el segundo armnico del ejemplo 1 y el del ejemplo 3 median 4;75

unidades de tiempo.

Multiplicacin se series armnicas.

La

multiplicacin

[a cos(
q

de

] [

dos

armnicos

de

t) + b q sin(n t) a k cos( m t) + b k sin(m t)

da lugar a la siguiente suma:

a q a k cos( n t ) cos( m t ) + a q b k cos( n t ) sin( m t ) +

+ b q a k sin( n t ) cos( m t ) + b q b k sin( n t ) sin( m t )
que utilizando la identidad del producto7:

cos( + ) + cos( )
2
cos( ) cos( + )
sin sin =
2
sin( + ) + sin( )
sin cos =
2

cos cos =

diferente

frecuencia,

a jak
[cos( n t + m t ) + cos( n t m t )] +
2
a jbk
+
[sin ( n t + m t ) sin ( n t m t )] +
2
b jak
+
[sin ( n t + m t ) + sin( n t m t )] +
2
b jbk
+
[cos( n t m t ) cos( n t + m t )]
2
da como resultado:

(a

a k + b jbk
b j a k a jbk
cos((n t) (m t)) +
sin ((n t) (m t))+
2
2
a j a k b jbk
b j a k + a jbk
+
cos((n t) + (m t)) +
sin ((n t) + (m t))
2
2
j

una serie armmica con frecuencias angulares que se obtienen a partir de la

suma y diferencia de las frecuencias angulares de los armnicos mltiplos, con
coeficientes de Fourier obtenidos a partir de los coeficientes de los armnicos
mltiplos.

La obtencin del trmino i-esimo del periodograma resultante de multiplicar

dos funciones peridicas con dos o ms armnicos, es algo ms complejo ya
que el resultado de la multiplicacin es una suma de productos de armnicos,
que dan lugar a una suma de armnicos con diferentes frecuencias angulares
como consecuencia de las sumas y diferencias de las frecuencias angulares de
cada producto de armnicos.

cos sin =

sin( + ) sin( )
2

Por ejemplo, el producto de dos series obtenidas a partir de dos armnicos:

f (t ) = a 10 cos(0 t) + b01sin(0 t) + a11cos(1 t) + b11sin(1 t)

g (t ) = a 02 cos(0 t) + b02 sin(0 t) + a12 cos(1 t) + b12 sin(1 t)

Se obtendra la siguiente secuencia de funciones de seno y coseno y

coeficientes de Fourier:

Coeficientes de Funciones
Fourier
coseno

Coeficientes de Funciones seno

Fourier

(a a
1
0

2
0

(a a

+ b01b02
2

2
0

b01b02
2

1 2
1 0

+ b11b02
2

1
0

(a a
(a a

1 2
1 0

(a a

1 2
0 1

(a a

1 2
0 1

(a a

1 2
1 1

(a a

1 2
1 1

a11 a 02
2
+ b01b12
2
b01b12
2
+ b11b12
2
b11b12
2

cos(o t o t ) = 1

(b a

cos(o t + o t ) =

(b a

cos(1 t o t )

(b a

cos(1 t + o t )

(b a

cos(0 t 1 t ) =

(b a

cos(0 t + 1 t )

(b a

cos(1 t 1 t ) = 1

(b a

cos(1 t + 1 t ) =

(b a

= cos( 2o t )

= cos(1 t 0 t )

= cos(21 t )

1 2
0 0

1 2
0 0

1 2
1 0

1 2
1 0

1 2
0 1

1 2
0 1

1 2
1 1

1 2
1 1

a10 b02
2
+ a 10 b02
2
a11b02
2
+ a11b02
2
a10 b12
2
+ a 10 b12
2
a11b12
2
+ a11b12
2

sin(o t o t ) = 0

sin( o t + o t ) =

sin(1 t o t )

sin(1 t + o t )

sin(0 t 1 t ) =

sin(0 t + 1 t )

sin(1 t 1 t ) = 0

sin(1 t + 1 t ) =

Que dara lugar a la siguiente serie de Fourier:

= sin( 2 o t )

= sin(1 t 0 t )

= sin(21 t )

f (t ) g (t ) = + a 0 cos( 20 t) + b0 sin( 20 t) + a1 cos(0 t + 1 t) + b1 sin(0 t + 1 t) +

+ a 2 cos( 21 t) + b2 sin( 21 t) + a3 cos(1 t 0 t) + b2 sin(1 t 0 t)

Donde:

a0 =

bo =

a1 =

b1 =

a2 =

b2 =

a3 =

b3 =

(a a
1
0

2
0

(a a

2
0

b01b02
2

2
0

+ a01 b02
2

1
0

(b a
1
0

) (

+ b01b02 + a11 a12 + b11b12

2

(a a

1 2
0 1

(b a

1 2
0 1

(a a

1 2
1 1

(b a

1 2
1 1

(a a

1 2
1 0

(b a

1 2
1 0

)
)
) (

) (

b01b12 + a11 a02 b11b02

2
+ a 10 b12 + b11 a02 + a11b02
2
b11b12
2
+ a11b12
2

)
) (

) (

+ b11b02 + a10 a12 + b01b12

2
a11b02 b01 a12 a 10 b12
2

La multiplicacin de dos series de longitud T obtenidas como sumas de

k armnicos, cuyas frecuencias angulares son obtenidas a partir de

i =

2 i
T

es decir

g (t ) = ai1cos i 2 t
i=0

)+ b sin (i 2 t T )
1
i

e
k

f (t ) = a i2 cos i 2 t
i=0

)+ b sin(i 2 t T )
2
i

da como resultado una nueva serie armnica de T/2 periodos

k

h(t ) = f (t ) g (t ) = + a i cos i 2 t
i=0

)+ b sin (i 2 t T )
i

En donde8
k 1

ai1 a 2i +bi1bi2
+ 2a k
=
2
i=0
Partiendo de dos series armnicas de T=8, lo que da lugar a las dos series de
Fourier que se presentan a continuacin:

f (t ) = a 10 cos(0 t) + b01sin(0 t) + a11cos(1 t) + b11sin(1 t)+

+ a12 cos(2 t) + b21sin(2 t) + a31 cos(3 t) + b31sin(3 t)
g (t ) = a 02 cos(0 t) + b02 sin(0 t) + a12 cos(1 t) + b12 sin(1 t)+
a 22 cos(2 t) + b22 sin(2 t) + a32 cos(3 t) + b32 sin(3 t)
Donde

Notese que es la covarianza poblacional entre

f (t ) y g (t ) .

1 2
8
2 2
1 =
8
3 2
2 =
8
4 2
3 =
8

o =

= 0,785
= 1,571
= 2,356
= 3,141

La multiplicacin sucesiva de los cuatro armnicos de f (t ) por el primer

armnico de g (t ) dara lugar a las siguientes frecuencias angulares:

1 2
8
1 2
0 1 =
8
1 2
o 2 =
8
1 2
0 3 =
8

1 2
8
2 2

8
3 2

8
4 2

1 2
8
1 2
0 + 1 =
8
1 2
0 + 2 =
8
1 2
0 + 3 =
8

1 2
8
2 2
+
8
3 2
+
8
4 2
+
8

o 0 =

0 + 0 =

=0
1 2
= 0
8
2 2
=
= 1
8
3 2
=
= 2
8

2 2
= 1
8
3 2
=
= 2
8
4 2
=
= = 3
8

= 0,785 +

de forma que9

cos( 0 + ) = cos( 0 )
sin( 0 + ) = sin( 0 )

cos( x) = cos( x + )
sin( x) = sin( x + )

La multiplicacin sucesiva de los cuatro armnicos de f (t ) por el segundo

armnico de g (t ) dara lugar a las siguientes frecuencias angulares:

2 2
8
2 2
1 1 =
8
2 2
1 2 =
8
2 2
1 3 =
8

1 2
8
2 2

8
3 2

8
4 2

2 2
8
2 2
1 + 1 =
8
2 2
1 + 2 =
8
2 2
1 + 3 =
8

1 2
8
2 2
+
8
3 2
+
8
4 2
+
8

1 0 =

1 + 0 =

1 2
= 0
8

=0
1 2
== 0
8
2 2
=
= 1
8

3 2
= 2
8
4 2
=
= = 3
8
1 2 4 2
=
+
= 0 +
8
8

= 1 +

de forma que

cos(1 + ) = cos(1 )
sin(1 + ) = sin(1 )
La multiplicacin sucesiva de los cuatro armnicos de f (t ) por el tercer
armnico de g (t ) dara lugar a las siguientes frecuencias angulares:

3 2
8
3 2
2 1 =
8
3 2
2 2 =
8
3 2
2 3 =
8

2 0 =

1 2
8
2 2

8
3 2

8
4 2

2 2
= 1
8
1 2
=
= 0
8

=0
=

1 2
= 1
8

3 2
8
3 2
2 + 1 =
8
3 2
2 + 2 =
8
3 2
2 + 3 =
8

2 + 0 =

1 2
8
2 2
+
8
3 2
+
8
4 2
+
8
+

4 2
= = 3
8
1 2 4 2
=
+
= 0 +
8
8
2 2 4 2
=
+
= 1 +
8
8

= 2 +

de forma que

cos( 2 + ) = cos( 2 )
sin( 2 + ) = sin( 2 )
La multiplicacin sucesiva de los cuatro armnicos de f (t ) por el cuarto
armnico de g (t ) dara lugar a las siguientes frecuencias angulares:

4 2
8
4 2
3 1 =
8
4 2
3 2 =
8
4 2
3 3 =
8

1 2
8
2 2

8
3 2

8
4 2

4 2
8
4 2
3 + 1 =
8
4 2
3 + 2 =
8
4 2
3 + 3 =
8

1 2
8
2 2
+
8
3 2
+
8
4 2
+
8

3 0 =

3 + 0 =

3 2
= 2
8
2 2
=
= 1
8
1 2
=
= 0
8

=0

= + 0
= + 1
= + 2
= 2

Teniendo presente que:

sin(0) = 0
cos(0) = 1
sin( ) = 0
cos( ) = 1
sin(2 ) = 0
cos(2 ) = 1

se obtienen los coeficientes de fourier de la serie resultante de la multiplicacin

de f (t )g (t ) a partir del siguiente sistema matricial:

ig+&g1& ,i

ao2

2
a1
b12
2
a o + a 22

=
a2 + b2
2
2o
2
a1 + 2a3
b2
1

a 22

a10
1
b0
a11

f& = b11
a 1
12
b2
a1
3

bo2
b12
a12
bo2 + b22
bo2 a 22
b12
a12 2a32
b22

a12
a o2 + a 22
bo2 + b22
2a32
0
2
a o + a 22
bo2 b22
a12

b12
bo2 + b22
a o2 a 22
0
2a32
bo2 b22
a o2 a 22
b12

a 22
a12 + 2a32
b12
ao2 + a 22
bo2 b22
a12
b12
ao2

b22
b12
a12 2a 23
bo2 b22
a o2 a 22
b12
a12
bo2

2a32

2a 22
2b22

2a12
2b12

2ao2
2bo2


a
o
bo

a
1
&
h = 1 = ig+&g1& ,i f&
b1 2

a 2
b
2
a3
Prescindiendo de la primera fila de ig+&g1& ,i se obtiene una matriz i i ( iig&g& ) que da
lugar a la parte armnica de h(t ) , en consecuencia, cabra obtenerse
f& operando con los coeficientes de Fourier:
1
f& = 2( iig&g& ) ih

En caso de que

X t = g (t ) = 1 + ai1cos i 2 t
i=0

)+ b sin (i 2 t T ),
1
i

y T=8,

definimos:

XX
&&

0
a 02
2
a12
2a 0
2bo2
b12
2 2
2
1 2a1 a0 + a 2
1
= I8 +
2 2b12 a 02 + b22
2 2
2
2a 2 a1 + 2a3
2b 2
b12
22
2a3
a 22

b02
b12
a12
b02 + b22
b02 a 22
b12
a12 2a32
b22

a12
a02 + a 22
bo2 + b22
2a32
0
a02 + a 22
b02 b22
a12

b12
b02 + b22
a02 a 22
0
2a32
b02 b22
a02 a 22
b12

a 22
a12 + 2a32
b12
a02 + a 22
b02 b22
a12
b12
a02

b22
b12
a12 a32
b02 b22
a02 a 22
b12
a12
b02

2a32

2a 22
2b22

2a12
2b12

2a 02
2b02

Demostrandose que:
&&
Z& = XX Y&

Siendo Z& = ( A' ) 1 Z t , X& = ( A' ) 1 X t y Y& = ( A' ) 1 Yt , y A una matriz TxT cuyo
elemento genrico es:

a j ,t

1 j = 1

j (t 1)
cos
j = 2,4,6,..., (T 2) /(T 1)
T
=
sin ( j 1)(t 1) j = 3,5,7,..., (T 1) / T

(1) t +1 j = T

Operando
1
1
1
1
Z t = X t Yt = ( A') X& ( A') Y& = ( A') ( A' ) X t ( A') Y& = X t I T ( A' ) 1 Y&

Es decir
( A' ) 1 Z& = X t I T ( A' ) 1 Y&

Operando
&&
Z& = ( A' ) X t I T ( A' ) 1 Y& = XX Y&

Siendo

XX = ( A' ) X t I T ( A' ) 1 Y&

&&

( )

&&
Y& = XX

Z&

Ejemplo 5
1 2 t
1 2 t
2 2 t
2 2 t
f (t ) = 0,5 cos
+ 0,5 sin
+ 0,8 cos
+ 0,2 sin
+
8
8
8
8
1 2 t
1 2 t
2 2 t
+ 0,4 cos
+ 1,2 sin
+ 0,2 cos

8
8
8

 1 2 t
1 2 t
2 2 t
2 2 t
g (t ) = 0,9 cos
+ 0,1 sin
+ 0,3 cos
+ 0,7 sin
+
8
8
8
8
1 2 t
1 2 t
2 2 t
+ 0,6 cos
+ 0,05 sin
+ 2 cos

8
8
8

el producto f (t )g (t ) da como resultado10:

10

Dado que

b31 = 0 en el ejemplo, se puede simplificar la multiplicacin en el modo expuesto.

0,1
0,3
0,7
0,6
0,05
4
0,99
0,9
0,3
0,1 0,9

0,7
0,3 0,05 0,6
0

0,5
0,3
0,7
1,5
0,15
4,3
0,7
1,2 2,265

0,5

0,7 3,7 0,1 2,26

0,7 0,3 0,05 0,3
0,8
4
0
1,5
0,05 0,6 2,3525
1 1,5 0,05

0,2 =
0,3
0
4
0,15 0,3 1,4 0,2775
2 0,15
0,4
4,3 0,7
1,5
0,15
0,3
0,7 1,8 1,305

1,2
0,05
0,3
0,7 0,3 0,2 1,04
0,7 3,7
0,2
0,6 0,05
0,3
0,7
0,9
0,1
0
0,3075

0,6
0,7
0,3
0,1
0,9
0
0,05
1,0325
Que da lugar a la siguiente serie:
1 2 t
1 2 t
2 2 t
2 2 t
g (t ) = 0.99 + 2,265 cos
2,26 sin
+ 2,3525 cos
0,2775 sin
+
8
8
8
8
3 2 t
3 2 t
4 2 t
+ 1,305 cos
1,04 sin
+ 0,3075 cos

8
8
8

Varianza y Covarianza de Procesos Estacionarios

Se define un proceso es estacionario coma aquel que su media es constante e
independiente del tiempo, su varianza es finita y constante, y el valor de la
covarianza entre dos periodos no depende del tiempo en el cual se ha
calculado, sino de la distancia o desfase entre aquellos. En el ejemplo 1, se

muestra un tipo de proceso estacionario particular es el denominado ruido

blanco, formado por una sucesin de variables aleatorias con distribucin
Normal, esperanza cero, varianza constante e incorrelacionadas entre s.

Pero, por qu resulta importante para el investigador que el proceso analizado

sea estacionario? La razn fundamental es que el modelos de regresin de
series temporales

estn diseados para ser utilizados con procesos

estacionarios. Si las caractersticas del proceso cambian a lo largo del tiempo,

resultar difcil representar la serie para intervalos de tiempo pasados y futuros
mediante un modelo lineal sencillo. Sin embargo, por regla general, las series
econmicas no son series que procedan de procesos estacionarios, sino que
suelen tener una tendencia, ya sea creciente o decreciente, y variabilidad no
constante. Dicha limitacin en la prctica no es tan importante porque las series
no estacionarias se pueden transformar en otras que s lo son, ya que la mayor
parte de

las

series

econmicas

se convierten

en

aproximadamente

estacionarias despus de aplicar diferencias en una ms etapas.

Tanto la varianza muestral como la covarianza muestral, se desarrollan segn
los teoremas de Parseval y Plancharel, en:
T

=
2

n =1

(a

2
n

*
*
2 a a +b b
+ bn2
p p
p p
y xt yt =
,
2
2
p=1

La multiplicacin punto a punto de xt e y t da lugar a la serie :

T

yt xt = + a cos p 0 t + b sin p o t =
p =1

'
p

'
p

(a

a *p + b p b *p
2

p =1

)+ z

de igual manera que el cuadrado de xt da lugar a la serie :

T

xt xt = + a cos p 0 t + b sin p o t =
p =1

'
p

'
p

p =1

(a

2
p

+ b p2
2

)+ z

z
Dado que

t =1

= 0 , entonces el producto escalar de de xt e y t y xt de xt , da

lugar a la covarianza y la varianza poblacional.

Cuando los procesos son estacionarios, las covarianzas y varianzas muestrales
han de coincidir con la poblacional, dado que ambas se consideran finitas y
constantes, e independientes de los periodos de tiempo utilizados en su
clculo. En cuyo caso el coeficiente de correlacin de Pearson es un estimador
eficiente en la regresin de una serie sobre la otra.
La coincidencia entre las covarianzas y varianzas de nuestra muestra coincida
con

la
T

de

la

poblacin,

implica

que

el

proceso

de

fourier

z t = a 'p cos p 0 t + b p' sin p o t de la covarianza y de la varianza de lugar a un

p =1

conjunto de observaciones estacionarias z1 ,..., zT , de media cero, y una manera

de testearlo es utilizando el test de Durbin que se explic en el tema I.
Ejemplo 6
Partimos de los datos de la Tabla nIII.1.
Tabla nIII.1 Consumo de Energa Final Elctrica (TEP) y PIB (Mill de euros
constantes) de Espaa correspondientes al periodo 1992-2010
Consumo de
Energa Final
Elctrica
(TEP)

Xt=Ln(TEP)

Yt=Ln(PIB)

xt

yt

PIB (Mill euros

ao 2000)

1992

11244

484581

1993

11237

479583

1994

11777

491012

1995

12116

515405

1996

12655

527862

1997

13672

548284

1998

14202

572782

1999

15241

599966

2000

16205

630263

2001

17279

653255

2002

17759

670920

2003

18916

691695

2004

19834

714291

9,3276

13,0910

-0,3311

-0,2293

9,3270

13,0807

-0,3317

-0,2397

9,3739

13,1042

-0,2848

-0,2162

9,4023

13,1527

-0,2564

-0,1677

9,4458

13,1766

-0,2129

-0,1438

9,5231

13,2145

-0,1356

-0,1058

9,5611

13,2583

-0,0975

-0,0621

9,6317

13,3046

-0,0269

-0,0158

9,6931

13,3539

0,0344

0,0335

9,7572

13,3897

0,0986

0,0693

9,7846

13,4164

0,1260

0,0960

9,8478

13,4469

0,1891

0,1265

9,8952

13,4790

0,2365

0,1587

2005

20827

740108

2006

22052

769850

2007

22548

797367

9,9440

13,5146

0,2853

0,1942

10,0012

13,5540

0,3425

0,2336

10,0234

13,5891

0,3647

0,2687

El periodograma del logaritmo del PIB sera:

Tabla nIII.2 Periodograma del logaritmo del PIB
Frecuencia

Periodo

1
2
3
4
5
6
7
8

ap

bp

16
8
5;3333
4
3;2
2;6667
2;2857
2

0,0586
0,0580
0,0489
0,0442
0,0507
0,0433
0,0377
0,0234

I (i ) =

T a 2p + b p2

-0,2688
-0,1119
-0,0714
-0,0449
-0,0323
-0,0161
-0,0069
0,0000

(a 2p + b p2 )
2

0,9509
0,1995
0,0942
0,0499
0,0454
0,0268
0,0184
0,0069

0,0378
0,0079
0,0037
0,0020
0,0018
0,0011
0,0007
0,0003

Y su varianza

x2 =

1 7 2
a p + b p2 + a82 = 0,0276

2 p =1

El periodograma del logaritmo del Consumo de Energa Elctrica Final sera:

Tabla nIII.3 Periodograma del logaritmo del Consumo de Energa Elctrica.
Frecuencia

Periodo

ap

ap
1
2
3
4
5
6
7
8

Y su varianza:

16
8
5;3333
4
3;2
2;6667
2;2857
2

0,0381
0,0439
0,0390
0,0367
0,0337
0,0296
0,0314
0,0162

-0,1883
-0,0767
-0,0522
-0,0290
-0,0180
-0,0121
-0,0071
0,0000

I ( i ) =

T a *p2 + b *p2

4
0,4638
0,0982
0,0534
0,0275
0,0183
0,0128
0,0130
0,0033

(a *p2 + b *p2 )
2
0,0185
0,0039
0,0021
0,0011
0,0007
0,0005
0,0005
0,0001

 y2 =

1 7 *2
a p + b *p2 + a8*2 = 0,0557

2 p =1

La covarianza del PIB y el Consumo de Energa Elctrica se desarrollara

entonces:
Tabla nIII.4. Covarianza del PIB y el Consumo de Energa Elctrica.
Logaritmos.
Consumo Energa Final
Elctrica
Frecuencia
1
2
3
4
5
6
7
8

Periodo
16
1
0;3333
0
0;2
0;1667
0;1429
0

ap

bp

0,0381
0,0439
0,0390
0,0367
0,0337
0,0296
0,0314
0,0162

a
-0,1883
-0,0767
-0,0522
-0,0290
-0,0180
-0,0121
-0,0071
0,0000

a p a p*+b p b *p
=

2
p=1
7

(a p a*p + bp b*p )

PIB
*
p

0,0586
0,0580
0,0489
0,0442
0,0507
0,0433
0,0377
0,0234

2
*

bp

-0,2688
-0,1119
-0,0714
-0,0449
-0,0323
-0,0161
-0,0069
0,0000

0,0264
0,0056
0,0028
0,0015
0,0011
0,0007
0,0006
0,0002

+ a8 a8* = 0,0391

La serie armnica asociada a las multiplicaciones y cuadrados ambas series en

diferencias sobre sus medias, tiene en todos los casos un periodograma en
donde sobresalen los ciclos da baja frecuencia, tal y como muestra el test de
Durbn que se representa de forma grfica junto a la serie:

Covarianza
0,12
0,1
0,08
0,06
0,04
0,02
0
1

10 11 12 13 14 15 16

1,6
1,4
1,2
1
0,8

Banda superior

0,6

covarianza

0,4

Banda inferior

0,2
0
1

-0,2

-0,4

Varianza ln(PIB)
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
1

10 11 12 13 14 15 16

1,6
1,4
1,2
1
0,8

Banda superior

0,6

varianza ln(PIB)

0,4

Banda inferior

0,2
0
1

-0,2

-0,4

Varianza (TEP)
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1

10 11 12

13 14 15 16

1,6
1,4
1,2
1
0,8

Banda superior

0,6

varianza ln(TEP)

0,4

Banda inferior

0,2
0
-0,2

-0,4

Dado que no se trata de series estacionarias el coeficiente de correlacin de

correlacin de Pearson calculado con los datos muestrales no asegura la
estabilidad de la estimacin eficiente a travs del coeficiente de correlacin. Sin
embargo, esta regresin planteada en primeras diferencias logartmicas, o
tasas de crecimiento si que garantiza una regresin estable, ya que tanto las
varianzas como las covarianzas de las series son estacionarias:
Tabla nIII.5 Consumo de Energa Final Elctrica (TEP) y PIB (Mill de euros
constantes) de Espaa correspondientes al periodo 1992-2010, en diferencias
logartmicas.

Consumo de
Energa Final
Elctrica
(TEP)

Xt=Ln(TEP)Lm(TEP)-1

11244

484581

1993

11237

479583

1994

11777

491012

1995

12116

515405

1996

12655

527862

1997

13672

548284

1998

14202

572782

1999

15241

599966

2000

16205

630263

2001

17279

653255

17759

xt

yt

PIB (Mill euros

ao 2000)

1992

2002

Yt=Ln(PIB)ln(PIB)-1

670920

-0,0006

-0,0104

-0,0449

-0,0420

0,0469
0,0284

0,0236

0,0027

-0,0081

0,0485

-0,0159

0,0168

0,0435

0,0239

-0,0007

-0,0078

0,0773

0,0380

0,0331

0,0063

0,0380

0,0437

-0,0062

0,0121

0,0706

0,0464

0,0264

0,0147

0,0613

0,0493

0,0171

0,0176

0,0642

0,0358

0,0199

0,0042

0,0274

0,0267

-0,0168

-0,0050

0,0631

0,0305

0,0189

-0,0012

2003

18916

691695

2004

19834

714291

2005

20827

740108

2006

22052

769850

2007

22548

797367

0,0474

0,0321

0,0032

0,0005

0,0489

0,0355

0,0046

0,0038

0,0572

0,0394

0,0129

0,0077

0,0222

0,0351

-0,0220

0,0035

0,0119

0,0086

-0,0324

-0,0231

El periodograma de la primera diferencia del logaritmo del PIB sera:

Tabla nIII.6 Periodograma de la diferencia del logaritmo del PIB
Frecuencia

Periodo

1
2
3
4
5
6
7
8

16
8
5;3333
4
3;2
2;6667
2;2857
2

ap

bp

I (i ) =

-0,0189
-0,0076
-0,0077
-0,0007
-0,0115
0,0032
0,0133
-0,0025

T a 2p + b p2

-0,0020
-0,0083
-0,0011
0,0007
-0,0021
-0,0030
-0,0011
0,0000

(a 2p + b p2 )
2

0,0045
0,0016
0,0008
0,0000
0,0017
0,0002
0,0022
0,0001

0,0002
0,0001
0,0000
0,0000
0,0001
0,0000
0,0001
0,0000

Y su varianza

x2 =

1 7 2
a p + b p2 + a82 = 0,000222

2 p =1

El periodograma de la primera diferencia del logaritmo del Consumo de Energa

Elctrica Final sera:
Tabla nIII.7 Periodograma de la diferencia del logaritmo del Consumo de
Energa Elctrica.
Frecuencia

Periodo

ap

ap
1
2
3
4
5
6
7
8

16
8
5;3333
4
3;2
2;6667
2;2857
2

-0,0116
-0,0038
-0,0090
-0,0024
0,0001
0,0042
0,0001
-0,0008

-0,0002
-0,0086
-0,0039
-0,0077
-0,0062
-0,0004
0,0016
0,0000

I ( i ) =

T (a *p2 + b *p2 )

(a *p2 + b *p2 )

0,0017
0,0011
0,0012
0,0008
0,0005
0,0002
0,0000
0,0000

0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000

Y su varianza:

y2 =

1 7 *2
(
a p + b *p2 ) + a8*2 = 0,000447

2 p =1

La covarianza del PIB y el Consumo de Energa Elctrica se calcula entonces:

Tabla nIII.8. Covarianza del PIB y el Consumo de Energa Elctrica.
Logaritmos.

Consumo Energa Final

Elctrica
Frecuencia
1
2
3
4
5
6
7
8

ap

Periodo
16
1
0;3333
0
0;2
0;1667
0;1429
0

bp

-0,0116
-0,0038
-0,0090
-0,0024
0,0001
0,0042
0,0001
-0,0008

a
-0,0002
-0,0086
-0,0039
-0,0077
-0,0062
-0,0004
0,0016
0,0000

a p a p*+b p b *p
=

2
p=1
7

(a p a*p + bp b*p )

PIB
*
p

-0,0189
-0,0076
-0,0077
-0,0007
-0,0115
0,0032
0,0133
-0,0025

2
*

bp

-0,0020
-0,0083
-0,0011
0,0007
-0,0021
-0,0030
-0,0011
0,0000

+ a8 a8* = 0,000210

Covarianza
0,002
0,0015
0,001
0,0005
0
1
-0,0005

9 10 11 12 13 14 15 16

0,00010995
4,9888E-05
3,6707E-05
-1,75E-06
5,8618E-06
7,3282E-06
1,0276E-07
9,6237E-07

1,6
1,4
1,2
1
0,8

Banda superior

0,6

covarianza

0,4

Banda inferior

0,2
0
-0,2

-0,4

Varianza (1-L)ln(PIB)
0,002
0,0018
0,0016
0,0014
0,0012
0,001
0,0008
0,0006
0,0004
0,0002
0
1

10 11 12 13 14 15 16

1,6
1,4
1,2
1
0,8

Banda superior

0,6

varianza (1L)ln(PIB)
Banda inferior

0,4
0,2
0
-0,2
-0,4

Varianza (1-L)ln(TEP)
0,0025
0,002
0,0015
0,001
0,0005
0
1

10 11 12 13 14 15 16

1,6
1,4
1,2
1
0,8

Banda superior

0,6

varianza (1L)ln(TEP)
Banda inferior

0,4
0,2
0
-0,2

-0,4

Regresin band spectrum.

El parmetro mnimo-cuadrtico de la estimacin: yt = bxt + et es el siguiente:

bMVCO =

x y
x
t

2
t

La relacin de Plancharel muestra que se verifica la siguiente correspondencia

de productos escalares:

( y, x ) =

1
( , )
N

donde = DFT ( y ) y = DFT ( x) .

Por su parte, la igualdad de Parserval que constituye el caso particular de
y=x .

(x, x ) = 1 ( , )
N

En consecuencia:

( , )
bMVCO =
( , )
Utilizando la notacin de los coeficientes de Fourier, la covarianza de x e y se
obtendra a partir de:

1 1 q 1 *
(a p a p + b *p b p ) + aT2 aT
2
2
T 2 p =1

xy =
t t

La varianza del proceso xt quedara definida a partir de:

1 1 q 1 2
= (a p + b p2 ) + aT2
2
T 2 p =1

2
xt

Entonces:

(a
k 1

bMCO

a p*+b p b *p + 2 aT aT*
2

p=1

(a
k 1

p=1

2
p

+ b p2 + 2aT2

Hannan (1963) fue quien propuso la regresin en dominio de la frecuencia

(regresin band spectrum). Engle (1974), demostr que dicha regresin no
alteraba los supuestos bsicos de la regresin clsica, cuyos estimadores eran
Estimadores Lineales Insesgados y Optimos (ELIO). Harvey (1978) apunta

varias de las ventajas de esta regresin, por un lado, la regresin en el dominio

de la frecuencia permite omitir determinadas bandas de frecuencia o
oscilaciones de periodos concretos, por otro lado, ofrece solucin a las
regresiones en las que los residuos estn serialmente correlacionados.
En Engel (1974) el periodograma de la explicativas x es definido como
2
fx ( k ) = wk x

siendo wk el vector fila:

wk = 1, e i k , e 2i k ,..., e (T 1) i k

donde k = 2k ; y t=0;1;;T-1;
T

wk x
T

sera el elemento k-simo de la

transformada finita de Fourier del vector columna de xt

y el cross-periodograma entre las series xt e y t

fxy ( k ) = (wk x ) (wk y )

Donde * es la compleja conjugada de la transpuesta.

El periodograma es un estimador insesgado del espectro, sin embargo es
asintticamente insesgado e inconsistente con la varianza de cada estimador
espectral a medida que la muestra tiende a infinito. Esta inconsistencia que
obligara al uso de ventanas en el periodograma con el fin de obtener
estimaciones del espectro, no anula las propiedades de la regresin realizada
con el periodograma.
Haciendo

 w0

w1
W = w2

.
w
t 1
Se comple que WW ' = I = W 'W debido a las ortogonalidad de los productos de
senos y cosenos.
Y

obtendiendo

el

vector

~
x

como

la

transformada

de

Fourier

de

x en T periodos, podemos transformar el modelo de regresin mltiple:

y = x + u (1)

En
~
y=~
x + u~ (2)

Se trata de una regresin con variables aleatorias complejas pero que no

afecta a los supuestos bsicos del modelo de regresin clsico. Las
propiedades del error u~ :

var(u~ ) = E (u~u~' )
= E (Wuu 'W ' )
= WE (uu ' )W '
= u2WW '
Si = I , entonces var(u~ ) = u2 I .
Asumiendo que x es independiente de u , el teorema de Gauss-Markov
implicara que

= (~x ' ~x )1 ~x ' ~y

es un estimador ELIO con la siguiente matriz de varianza y covarianzas:

var( ) = u2 ( ~
x'~
x ) 1

El estimador mnimo-cuadrtico en trminos del periodograma se formulara:

T 1

k =0

= fxx ( k )

1 T 1

f ( )
k =0

xy

donde fxx ( k ) es la matriz del cross-periodograma de cada frecuencia e

fxy ( k ) es el vector del cross-periodograma de xt e yt .

Estimar (1) manteniendo nicamente determinadas frecuencias, puede llevarse
a cabo omitiendo las observaciones correspondientes a las restantes
frecuencia en (2), si bien, dado que las variables en el dominio de la frecuencia
son complejas, Engle (1974) sugiere la transformada inversa de Fourier para
recomponer el modelo estimado en trminos de tiempo.
Realizar dicha regresin requiere definir una matriz A de tamao n x n de
ceros excepto en las posiciones de la diagonal principal correspondientes a las
~
~
frecuencias que queremos incluir en la regresin y premultiplicar y y x por A ,
de forma que reemplazariamos las frecuencias que de deseamos eliminar por
ceros, con las variables en el dominio de la frecuencia transformadas se
realizara la regresin band spectrum.
Devolver al dominio del tiempo estas observaciones requiere:
yt* = W T A~
y = W T AWy t
xt* = W T A~
x = W T AWxt

Al regresar sobre

(3)

yt*

*
sobre xt obtenemos un * identico al estimador que

obtendramos al estimar por MCO A~

y frente a A~
x.
Cuando se realiza la regresin band spectrum de esta manera, ocurre un
*
*
problema asociado a los grados de libertad de la regresin de yt sobre xt que

asumen los programas estadsticos convencionales, n - k, en vez de los grados

de libertad reales que seran

n'- k, donde n' es el numero de frecuencias

incluidas en la regresin band spectrum.

Si la regresin espectral va a ser usada para obtener un estimador

asintticamente eficiente de en presencia de autocorrelacin en el termino
de error, la matriz A ha de ser reemplazada por otra matriz diagonal, V . En
dicha diagonal principal ha de incluirse el estimador de

( )
( ) , donde es
1 / 2

la transformacin del termino de error obtenido en (1) al dominio de la

frecuencia . Puede utilizarse un programa convencional para obtener
haciendo una transformacin anloga a (3); ver Engle and Gardner [1976]. Sin
embargo, si el procedimiento va a ser iterativo, lo que podra llevar a una
mejora en las propiedades de las muestra pequeas, la transformada inversa
de fourier en (3) debera emplearse en cada iteracin (Harvey, 1978).

A efectos de transformar los datos originales del dominio del tiempo al dominio
de la frecuencia utilizando series finitas de senos y cosenos en la regresin
band spectrum y evitar el uso de las transformadas de Fourier, Harvey (1978)
sugiere utilizar una matriz ortogonal W, con el elemento (j,t)th :

w j ,t

2
1

j = 1

T
1

2 2
j (t 1)
T cos T j = 2,4,6,..., (T 2) /(T 1)

= 1
2 2
( j 1)(t 1)
sin
j = 3,5,7,..., (T 1) / T
T
T

1 2

t +1

(1) j = T

De esta forma los problemas derivados del uso de la transformada compleja de

Fourier pueden ser eludidos. Asimismo afirma que el vector de residuos da
lugar a un vector de residuos del modelo transformado a travs de A

v = W ( y X ) = Wu
De manera que :

2
2
p j = v2 j + v2 j +1 , j = 1,..., 2 1 si T par

p = v 2 + v 2 , j = 1,..., T 1 si T impar
2j
2 j +1
pj = j
2

T
p j = 2v22 j , j = y T impar

p o = 2v12

Puede ser utilizado de forma consistente como estimador del periodograma

de u .
Hui T and Ashley R (1999), proponen un procedimiento para la realizacin de la
regresin band-spectrum que consta de tres etapas:
1.- Transformar los datos originales del dominio del tiempo al dominio de la
frecuencia utilizando series finitas de senos y cosenos. Implicara premultiplicar
los datos originales por una matriz ortogonal, A, sugerida por Harvey (1978).
2.- Permitir la variacin de k a travs de m bandas de frecuencia usando
variables Dummy

( D1j ...D mj ) . Estas variables se elaboran a partir de

submuestras de las T observaciones del dominio de frecuencias, de esta forma

Ds = ~
x si la observacin j est en la banda de frecuencias s y D s = 0 , en el
j

jk

resto de los casos. Para obtener las submuestras proponen el stabilogram

test (Ashley, 1984).
3.- Re-estimar el resultado del modelo de regresin en el dominio del tiempo
con las estimaciones 1 ... k y los coeficientes de las m variables Dummy.
Implicara premultiplicar la ecuacin de regresin ampliada por las variables
Dummy por la transpuesta de A.

Ejemplo 6

En la Tabla nIII.1 figuran las cifras de Consumo de energa final elctrica

(TEP) y del PIB en Millones de euros de Espaa en el periodo 1992 y 2007.
La transformacin de los datos del dominio del tiempo al dominio de la
frecuencia se realiza premultiplicando los datos originales por la siguiente
matriz ortogonal (W):

wj,t

1
0,250

2
0,250

3
0,250

4
0,250

5
0,250

6
0,250

7
0,250

8
0,250

9
0,250

10
0,250

11
0,250

12
0,250

13
0,250

14
0,250

15
0,250

16
0,250

0,354

0,327

0,250

0,135

0,000

-0,135

-0,250

-0,327

-0,354

-0,327

-0,250

-0,135

0,000

0,135

0,250

0,327

0,000

0,135

0,250

0,327

0,354

0,327

0,250

0,135

0,000

-0,135

-0,250

-0,327

-0,354

-0,327

-0,250

-0,135

1
2
3
0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,354

0,135

-0,250

-0,327

0,000

0,327

0,250

-0,135

-0,354

-0,135

0,250

0,327

0,000

-0,327

-0,250

0,135

0,000

0,327

0,250

-0,135

-0,354

-0,135

0,250

0,327

0,000

-0,327

-0,250

0,135

0,354

0,135

-0,250

-0,327

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,354

-0,135

-0,250

0,327

0,000

-0,327

0,250

0,135

-0,354

0,135

0,250

-0,327

0,000

0,327

-0,250

-0,135

0,000

0,327

-0,250

-0,135

0,354

-0,135

-0,250

0,327

0,000

-0,327

0,250

0,135

-0,354

0,135

0,250

-0,327

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

0,354

-0,327

0,250

-0,135

0,000

0,135

-0,250

0,327

-0,354

0,327

-0,250

0,135

0,000

-0,135

0,250

-0,327

0,000

0,135

-0,250

0,327

-0,354

0,327

-0,250

0,135

0,000

-0,135

0,250

-0,327

0,354

-0,327

0,250

-0,135

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

4
5
6
7
8
9
10
11
12
13
14
15
16

Las variables transformadas al dominio de la frecuencia figuran en la Tabla n

III.9.

Tabla nIII.9: Consumo de Energa Final Elctrica y PIB de Espaa

correspondientes al periodo 1992-2008. Transformados en el dominio de la
frecuencia.

Consumo
de Energa
Elctrica
(CEE)
PIB
Constante
1
67.284
2.551.717
2
-1.713
-56.628

CEE
estimado
en el
dominio de
4
67.284
0
-2.083

CEE
estimado en
el dominio
del tiempo
10.995
11.416

3
4
5
6
7
8
9
10
11
12
13
14
15
16

-12.669
-2.162
-5.702
-2.397
-3.077
-2.053
-2.023
-2.129
-1.083
-2.069
-924
-2.306
-557
-1.366

-334.387
-52.088
-160.516
-70.960
-89.304
-64.772
-60.838
-62.400
-38.099
-57.905
-26.001
-55.621
-11.901
-38.885

0
0
0
0
0
0
0
0
0
0
0
0
0
0

-12.302
-1.916
-5.905
-2.611
-3.286
-2.383
-2.238
-2.296
-1.402
-2.130
-957
-2.046
-438
-1.431

12.313
12.772
13.523
14.424
15.424
16.539
17.385
18.035
18.799
19.630
20.580
21.675
22.687
22.939

La regresin MCO realizada con las variables transformadas en el dominio de

la frecuencia quedara:

Resumen

Estadsticas de la regresin
Coeficiente de correlacin mltiple

0,99991214

Coeficiente de determinacin R^2

0,99982429

R^2 ajustado

0,92838317

Error tpico

244,666006

Observaciones

16

ANLISIS DE VARIANZA
Grados de libertad

Suma de cuadrados

Regresin

4768817773

2384408886

Residuos

14

838060,364

59861,45454

Total

16

4769655833

Coeficientes
Intercepcin
X
Cte

Promedio de los cuadrados

Error tpico

Estadstico t

#N/A

#N/A

F
39832,1241

Valor crtico de F
2,4097E-25

Probabilidad

Inferior 95%

#N/A

#N/A

Superior 95%
#N/A

Inferior
95,0%
#N/A

0,03679065

0,00057906

63,53565298

1,2357E-18

0,0355487

0,0380326

0,0355487

-6648,76729

374,426101

-17,7572217

5,3573E-11

-7451,8314

-5845,70317

-7451,8314

Para realizar la regresin band spectrum con las frecuencias de periodo 16 y 8,

las altas frecuencias hay que transformar los datos en el dominio de frecuencia
tal y como figuran en la Tabla nIII.10:

Tabla nIII.10: Consumo de Energa Final Elctrica y PIB de Espaa

correspondientes al periodo 1992-2008. Transformados en el dominio de la
frecuencia y seleccionado las frecuencias de periodo 16 y 8.

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Consumo
de Energa
Elctrica
(CEE)
PIB
Constante
67284
2551717
-1713
-56628
-12669
-334387
-2162
-52088
-5702
-160516
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

CEE
estimado
en el
dominio de
67284
-2116
-12493
-1946
-5997
0
0
0
0
0
0
0
0
0
0
0

CEE
estimado en
el dominio
del tiempo
15385
12454
11049
11441
13092
15012
16347
16835
16881
17217
18353
20175
21926
22601
21536
18833

La regresin band spectrum realizada con las frecuencias de periodo 16 y 8 da

lugar a los siguientes resultados:
Resumen

Estadsticas de la regresin
Coeficiente de correlacin mltiple

0,99996541

Coeficiente de determinacin R^2

0,99993082

R^2 ajustado

0,66657443

Error tpico

330,175829

Observaciones

ANLISIS DE VARIANZA
Grados de libertad

Suma de cuadrados

Promedio de los cuadrados

Regresin

4727474268

2363737134

Residuos

327048,234

109016,0778

Total

4727801317

Coeficientes
Intercepcin

F
21682,4636

Valor crtico de F
4,6118E-05

Error tpico

Estadstico t

Probabilidad

Inferior 95%

Superior 95%

Inferior 95,0%

#N/A

#N/A

#N/A

#N/A

#N/A

#N/A

X
Cte

0,03736108

0,00087161

42,86467177

2,7946E-05

0,03458724

0,04013491

0,03458724

-7012,65771

562,116073

-12,47546199

0,00111006

-8801,56193

-5223,75348

-8801,56193

En la figura siguiente, se han representado los datos centrados de las

diferencias logartmicas del consumo de energa elctrica centradas, y los
resultados

de

la

regresin

en

el

domino

de

frecuencias

realizada

exclusivamente con las frecuencias de periodo 16 y 8, una vez transformados

al dominio del tiempo:

Regresin con coeficientes Beta dependientes del tiempo.

El objetivo es estimar un modelo de tipo

Yt = t X t + ut (1)
Donde X t es un vector de T x 1 observaciones de la variable independiente,
t , is un vector de T x 1 parmetros , e Yt es un vector de T x 1 observaciones
de la variable independiente y ut es un vector de T x 1 errores de media cero y
varianza constante, asumiendo que las series X t , t e Yt son transformadas en
series de Fourier:

Yt = y + a yj cos( j ) + b jy sin ( j )
N

j =1

t = + [a j cos( j ) + b j sin ( j )]
N

j =1

u t = u + a uj cos( j ) + b uj sin ( j )
N

j =1

(2)

Pre-multiplicado cada observacin de (2) por W T se obtiene:

Y& = X&& (3)

Donde Y& = W T Yt , X& = W T X t , y & = W T t .
El sistema (3) puede reescribirse como:
Y& = WX t I N W T & + WI N W T u&

Si denominamos

e& = WI N W T u& ,

se buscara una solucin que

minimizara la suma cuadrtica de los errores: et = W T e& .

Una vez encontrada la solucin a dicha optimizacin se transformaran las
variables y parmetros al dominio del tiempo para obtener el sistema (1).
Cabe obtener una solucin a la minimizacin de los errores e& utilizando los
mnimos cuadrados ordinarios, para ello habra que utilizar una matriz de
regresores X cuya primera columna sera el vector de tamao T (1,0,0,...), la
segunda columna sera la primera fila de la matriz WX t I N W T y las columnas,
corresponderan las filas de WX t I N W T correspondientes a las frecuencias de
senos o cosenos que queremos regresar.

Los coeficientes de la solucin MCO seran:

& MCO = ( X ' X )1 X ' y&

Donde &o, MCO sera el parmetro asociado a la constante, &1, MCO el asociado a
la pendiente, y & j, MCO los asociados a las frecuencias de senos y cosenos
elegidas.

Ejemplo 7.
En la Tabla nIII.11 figuran las cifras de Consumo de energa final elctrica
(TEP) y del PIB en Millones de euros de Espaa en el periodo 1993 y 2008.
Tabla nIII.11 Consumo de Energa Final Elctrica (TEP) y PIB (Mill de euros
constantes) de Espaa correspondientes al periodo 1993-2008
Espaa
Consumo de Energia Final Electrica (TEP) PIB (Mill euros ao 2000)
1993

11237

479583,3

1994

11777

491011,6

1995

12116

515405

1996

12655

527862,4

1997

13672

548283,8

1998

14202

572782

1999

15241

599965,8

2000

16205

630263

2001

17279

653255

2002

17759

670920,4

2003

18916

691694,7

2004

19834

714291,2

2005

20827

740108

2006

22052

769850,2

2007

22548

797366,8

2008

22817

804223,1

Tabla nIII.12. Regresin mnimo cuadrada del Consumo de energa (Y) y el

PIB (X)
Resumen
Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0,99827044
Coeficiente de
determinacin R^2
0,99654387
R^2 ajustado

0,99629701

Error tpico

244,666006

Observaciones

16

ANLISIS DE VARIANZA
Grados de
libertad

Suma de
cuadrados

Promedio de los
cuadrados

Valor crtico
de F

Regresin

241647475

241647474,6

Residuos

14

838060,364

59861,45454

Total

15

242485535

Intercepcin

-6648,76729

374,426101

-17,7572217

5,3573E-11

-7451,8314

-5845,70317

0,03679065

0,00057906

63,53565298

1,2357E-18

0,0355487

0,0380326

Coeficientes

Error tpico

4036,7792

Estadstico t

Probabilidad

1,2357E-18

Inferior 95%

La transformacin de los datos del dominio del tiempo al dominio de la

frecuencia se realiza premultiplicando los datos originales por la siguiente
matriz:
Tabla nIII.13. Matriz W
aj,t

1
0,250

2
0,250

3
0,250

4
0,250

5
0,250

6
0,250

7
0,250

8
0,250

9
0,250

10
0,250

11
0,250

12
0,250

13
0,250

14
0,250

15
0,250

16
0,250

0,354

0,327

0,250

0,135

0,000

-0,135

-0,250

-0,327

-0,354

-0,327

-0,250

-0,135

0,000

0,135

0,250

0,327

0,000

0,135

0,250

0,327

0,354

0,327

0,250

0,135

0,000

-0,135

-0,250

-0,327

-0,354

-0,327

-0,250

-0,135

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,354

0,135

-0,250

-0,327

0,000

0,327

0,250

-0,135

-0,354

-0,135

0,250

0,327

0,000

-0,327

-0,250

0,135

0,000

0,327

0,250

-0,135

-0,354

-0,135

0,250

0,327

0,000

-0,327

-0,250

0,135

0,354

0,135

-0,250

-0,327

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,354

-0,135

-0,250

0,327

0,000

-0,327

0,250

0,135

-0,354

0,135

0,250

-0,327

0,000

0,327

-0,250

-0,135

0,000

0,327

-0,250

-0,135

0,354

-0,135

-0,250

0,327

0,000

-0,327

0,250

0,135

-0,354

0,135

0,250

-0,327

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

1
2
3
4
5
6
7
8
9
10
11
12
13

Superior 95%

0,354

-0,327

0,250

-0,135

0,000

0,135

-0,250

0,327

-0,354

0,327

-0,250

0,135

0,000

-0,135

0,250

-0,327

0,000

0,135

-0,250

0,327

-0,354

0,327

-0,250

0,135

0,000

-0,135

0,250

-0,327

0,354

-0,327

0,250

-0,135

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

14
15
16

Las variables transformadas aparecen en la Tabla nIII.14:

Tabla nIII.14 Consumo de Energa Final Elctrica y PIB de Espaa
correspondientes al periodo 1992-2008. Transformados en el dominio de la
frecuencia .

Y ajustado
dominio de la
frecuencia

Constante

Y Estimado
dominio del
tiempo

67284,25

2551716,58

67284,25

10995,4155

-1712,850273

-56627,9807

11415,87012

-12669,46413

-334386,633

0
0

-2083,38039

-12302,3026

12313,31924

-2161,559936

-52088,3923

-1916,36597

12771,63512

-5701,71026

-160515,662

-5905,47602

13522,95176

-2610,67056

14424,25654

-3285,54542

15424,36629

-2382,99531

16539,02007

6
7
8

-2396,857138
-3077,379938
-2022,678948

-89303,8083

-2052,730986

-70960,1582

-64771,759
-60837,8765

-2238,2652

17384,91076

10

-2128,982034

-62399,9286

-2295,73412

18034,83236

11

-1083,228957

-38098,6509

-1401,67425

18799,13243

-2130,34593

19630,47242

-956,582298

20580,28935

-2046,32578

21674,52431

12
13

-2069,059936
-923,7897398

14

-2305,988899

-57904,5423

-26000,6882
-55620,8061

15

-556,6151114

-11901,0902

-437,84888

22686,87799

16

-1366,25

-38885,375

-1430,61834

22939,12575

La matriz XX = WX t I N W T figura en la tabla nIII.15:

&&

Tabla nIII.15. Matriz XX

&&

jjX

10

11

12

13

14

15

16

637929

-14157

-83597

-13022

-40129

-17740

-22326

-16193

-15209

-15600

-9525

-14476

-6500

-13905

-2975

-9721

-14157

628721

-28375

-22555

-74899

-20658

-39130

-23575

-22522

-21686

-15351

-20863

-8839

-19958

-4596

-13905

-83597

-28375

647137

43325

2534

17621

2242

9052

-1513

6158

-1214

4631

-1198

4596

-515

2975

-13022

-22555

43325

626479

-10755

-21041

-65847

-19444

-32972

-22377

-17891

-21171

-10755

-20863

-4631

-14476

-40129

-74899

2534

-10755

649379

52377

1020

23779

1028

13683

-2712

10755

-1729

8839

-1198

6500

-17740

-20658

17621

-21041

52377

627693

-4596

-19843

-61216

-18929

-28375

-22377

-13683

-21686

-6158

-15600

-22326

-39130

2242

-65847

1020

-4596

648165

57008

-178

28375

513

17891

-2712

15351

-1214

9525

-16193

-23575

9052

-19444

23779

-19843

57008

628208

-19843

-57008

-19444

-23779

-23575

-9052

-16193

-15209

-22522

-1513

-32972

1028

-61216

-178

647650

61216

-178

32972

1028

22522

-1513

15209

10

-15600

-21686

6158

-22377

13683

-18929

28375

-19843

61216

627693

4596

-21041

-52377

-20658

-17621

-17740

11

-9525

-15351

-1214

-17891

-2712

-28375

513

-57008

-178

4596

648165

65847

1020

39130

2242

22326

12

-14476

-20863

4631

-21171

10755

-22377

17891

-19444

32972

-21041

65847

626479

10755

-22555

-43325

-13022

13

-6500

-8839

-1198

-10755

-1729

-13683

-2712

-23779

1028

-52377

1020

10755

649379

74899

2534

40129

14

-13905

-19958

4596

-20863

8839

-21686

15351

-23575

22522

-20658

39130

-22555

74899

628721

28375

-14157

15

-2975

-4596

-515

-4631

-1198

-6158

-1214

-9052

-1513

-17621

2242

-43325

2534

28375

647137

83597

16

-9721

-13905

2975

-14476

6500

-15600

9525

-16193

15209

-17740

22326

-13022

40129

-14157

83597

637929

La matriz de regresores X ' considerando los dos ciclos de bajas frecuencias

quedara:
Tabla nIII.16. Matriz de regresores X '

637929

-14157

-83597

-13022

-40129

-17740

-22326

-16193

-15209

-15600

-9525

-14476

-6500

-13905

-2975

-9721

-14157

628721

-28375

-22555

-74899

-20658

-39130

-23575

-22522

-21686

-15351

-20863

-8839

-19958

-4596

-13905

-83597

-28375

647137

43325

2534

17621

2242

9052

-1513

6158

-1214

4631

-1198

4596

-515

2975

-13022

-22555

43325

626479

-10755

-21041

-65847

-19444

-32972

-22377

-17891

-21171

-10755

-20863

-4631

-14476

-40129

-74899

2534

-10755

649379

52377

1020

23779

1028

13683

-2712

10755

-1729

8839

-1198

6500

Los coeficientes de la solucin mnimo cuadrtica quedaran:

&o, MCO

-20721,14907

&1, MCO

0,137708056

& 2, MCO

0,000254003

&3, MCO

-0,001743429

& 4, MCO

-0,00046199

&5, MCO

-0,000230558

En la Tabla nIII.17 se recogen los resultados en trminos de dominio de

frecuencia y de tiempo
Tabla nIII.17
j/t

Yt

Y&

e&

et

67284

11295

-5180,29

0,03435348

0,00

-58,07

-1713

11564

-5180,29

0,03410096

0,17

213,32

-12668

12330

-5180,29

0,03397314

1,49

-213,64

-2161

12741

-5180,29

0,03394976

0,10

-85,52

-5694

13447

-5180,29

0,03397396

7,44

224,92

-2481

14292

-5180,29

0,03399631

-84,41

-90,19

-3058

15224

-5180,29

0,03400917

19,25

16,95

-2248

16280

-5180,29

0,0340503

-195,44

-75,36

-2083

17144

-5180,29

0,03417387

-59,87

135,03

10

-2157

17904

-5180,29

0,03440679

-28,32

-144,93

11

-1305

18834

-5180,29

0,03471786

-221,29

82,13

12

-2000

19834

-5180,29

0,03501998

69,51

-0,18

13

-890

20877

-5180,29

0,03520675

33,88

-49,51

14

-1920

21922

-5180,29

0,03520399

385,65

130,49

15

-408

22734

-5180,29

0,03500789

149,04

-185,84

16

-1342

22717

-5180,29

0,03468801

24,01

100,39

El periodograma

de et = XX A' e& y su representacin grfica figura a

&&

continuacin:

Tabla nIII.18 Periodograma de et

Frecuencia

Periodo ap

bp

Periodograma sj

c0+j/m

-c0+j/m

16

0,17

1,49

2,849786802

0,0000081

0,5583700

-0,3083700

0,10

7,44

70,54491094

0,0002080

0,6833700

-0,1833700

-84,41

19,25

9544,292064

0,0272526

0,8083700

-0,0583700

-195,44

-59,87

53196,21836

0,1779889

0,9333700

0,0666300

-28,32

-221,29

63368,80313

0,3575501

1,0583700

0,1916300

69,51

33,88

7612,459849

0,3791207

1,1833700

0,3166300

385,65

149,04

217645,6808

0,9958394

1,3083700

0,4416300

24,01

0,00

1468,320911

1,0000000

1,4333700

0,5666300

La respresentacin del periodograma de et quedara:

250000

200000

150000

100000

50000

0
1

Los resultados del Test de Durbin aplicado al periodograma de et

1,6000000
1,4000000
1,2000000
1,0000000
0,8000000

sj

0,6000000

c0+j/m

0,4000000

-c0+j/m

0,2000000
0,0000000
-0,2000000

-0,4000000

Finalmente se representan las estimaciones del Consumo de consumo de

energa final elctrica, segn los diversos procedimientos:

24000
22000
20000
18000
16000
14000
12000
10000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Estimacion regresin dependiente del tiempo
Datos originales
Estimacin MCO

TEMA IV.- FILTROS LINEALES

Operadores de series de tiempo

El operador de retardo se define como:

Lk xt = xt j
Para k . Los polinomios en el operador de rezago toman la siguiente
forma:

( L) = 1 + L + 2 L2 + ... + p L p
Las p races del polinomio se obtienen resolviendo para ( L) = 0 .
Los operadores de diferenciacin, o de diferencia, se definen como:

d = (1 L) d d = (1 Ld )
Finalmente, en el contexto de ajuste estacional se define la diferencia
estacional como:
s 1

= 1 + L + L2 + ... + Ls 1 = L j
j =0

Donde s es el nmero de periodos observados por ao.

11

Filtros lineales

Un filtro lineal se define como:

a( L) =

a L

j =

donde los ponderadores son nmeros reales, i. e. a j ; no dependen del

tiempo y satisfacen

j =

2
j

< . Aplicando el filtro lineal a ( L) a un proceso

estocstico estacionario, xt , da como resultado un nuevo proceso estocstico:

y t = a ( L ) xt =

j =

xt j (1)

donde las propiedades de xt se transmiten a y t por medio del filtro lineal a ( L) .

Para examinar el efecto que tiene un filtro lineal hay que analizarlo en el
dominio de la frecuencia.
Utilizando la transformada de Fourier, se obtiene el espectro del filtro lineal
aplicado a xt :
2

S y ( ) = a (e i ) S x ( )

donde:

11

Para mas detalle ver Francisco G. Villarreal. Elementos tericos del ajuste estacional de series

econmicas utilizando X-12-ARIMA y TRAMO-SEATS. Serie 38. Estudios estadsticos y prospectivos

Divisin de Estadstica y Proyecciones Econmicas.
www.eclac.org/publicaciones/xml/9/24099/lcl2457e.pdf

Santiago de Chile, Diciembre del 2005.

( ) a e

a e i =

j =

i j

es conocido como la respuesta de frecuencia del filtro lineal o funcin de

transferencia. Esta funcin describe como el espectro de la serie xt es afectado
por la aplicacin del filtro a (L) .
Dado que la respuesta de frecuencia puede resultar en valores complejos
resulta conveniente expresarla como:

( )

a e i = G ( )e iF ( )
donde:

( )

G ( ) = a e i

a j sin(j )
j =

F ( ) = tan 1

a j cos(j )
j =

son respectivamente el mdulo y el argumento de la respuesta de frecuencia.

En este contexto el mdulo, G ( ) , es conocido como la ganancia del filtro; el
cual determina la medida en la que la amplitud de los movimientos observados
en cierta frecuencia en el espectro de xt son transferidos al espectro de y t .
Por ejemplo una ganancia de cero alrededor de la frecuencia 1 [0, ]1
significa que el proceso filtrado no mostrar movimientos alrededor de dicha
frecuencia.

Por su parte el argumento, F ( ) , es conocido como el desplazamiento de fase

del filtro, el cual esta asociado a desplazamientos de la serie en el dominio del
tiempo12. Es importante notar que cuando a j = a j para toda j , es decir
cuando se trata de un filtro simtrico; el desplazamiento de fase del filtro es
igual a cero 13, i. e F ( ) = 0 .

14

Filtros elementales

Los filtros ms utilizados en el anlisis de series temporales son las tasas de

variacin y las medias mviles.
Las tasas de variacin son operadores lineales invariantes en el tiempo pero no
lineales. Dado que la teora elemental de los filtros se refiere a operadores
lineales invariantes, hay que aproximar las tasas a operadores de diferencia.

F ( )

12

A veces el desplazamiento de fase se expresa como

unidades de tiempo.

, lo cual permite expresar el desfase en

13

Para entender esta propiedad de los filtros lineales, se utilizan los siguientes resultados
trigonomtricos:

sin( ) + sin( ) = 0
sin(0) = 0

Esto implica que cuando

h j = h j

, el producto en

j =

sin(j )
(1) es igual a cero, lo cual a su vez

F ( ) = 0 dado que tan (0) = 0 .

1

implica que
14

Para mayor detalle Francisco Melis Maynar: La Estimacin del ritmo de variacin de las series
econmicas. Estadstica Espaola. Vol 22. Num. 126, 1991, pgs 7 a 56.
http://www.ine.es/revistas/estaespa/126_1.pdf

As la primera diferencia de un logaritmo es una buena aproximacin de una

tasa de variacin mensual.

Sea T =

( xt xt 1 )

xt

, utilizando operadores de diferencia obtenemos el filtro

lineal invariante ms elemental:

a( L) Ln( xt ) = (1 L) Ln( xt )
Las aproximaciones lineales de las tasas ms utilizadas y los filtros lineales
equivalentes aparecen en el Tabla nIV.1.
Una media mvil simple es la media aritmtica de los n datos anteriores
Mientras ms grande sea n, mayor ser la influencia de los datos antiguos.

Las medias mviles centradas se caracterizan porque el nmero de

observaciones que entran en su clculo es impar, asignndose cada media
mvil a la observacin central. As, una media mvil centrada en t de longitud
2n + 1 viene dada por la siguiente expresin:

MM (2n + 1) t =

n
x + xt n +1 + ... + xt + ... + xt + n1 + xt + n
1
xt + i = t n

2n + 1 i = n
2n + 1

Como puede observarse, el subndice asignado a la media mvil, t, es el mismo

que el de la observacin central, Yt. Obsrvese tambin que, por construccin,
no se pueden calcular las medias mviles correspondientes a las n primeras y
a las n ltimas observaciones.
En las medias mviles asimtricas se asigna cada media mvil al perodo
correspondiente a la observacin ms adelantada de todas las que intervienen

en su clculo. As la media mvil asimtrica de n puntos asociada a la

observacin t tendr la siguiente expresin:

MMA(n) t =

x
+ xt n + 2 + ... + xt 1 + xt
1 t
Yt +i = t n+1

n i =t n +1
n

Los filtros lineales asociados a las medias mviles se denotan de la siguiente

forma:

a ( L ) xt =

1 n j
L xt
n j =0

Tabla nIV.1.- Tasas de Variacin y Filtros Lineales equivalentes

Expresin

Filtro lineal Equivalente

12
xt

T
1 100
x
t 1

(1 L)

2
x
1 100
T61 t

xt 6

(1 L6 )

x
1 100
T t

xt 12

(1 L12 )

1
1

1
12

12
z t

T
1 100

z t 1

3
1

4
z
1 100
T t

z t 1

3
3

zt =

(xt + xt 1 + xt 2 )

zt =

(xt + xt 1 + xt 2 )

12
z
1 100
T16 t

z t 1

zt =

12
z
1 100
T t

z t 1

zt =

12
1

(1 L3 )(1 + L + L2 ) = (1 L)(1 + L + L3 ) 2

(xt + xt 1 + ... + xt 5 )

(xt + xt 1 + ... + xt 11 )

12

12
(x + x + ... + xt 11 )
z
1 100 z t = t t 1
12
T t

z t 12

12
12

Fuente: Melis (1991)

(1 L)(1 + L + L2 ) = (1 L3 )

(1 L)(1 + L + L2 + ... + L5 ) = (1 L6 )

(1 L)(1 + L + L2 + ... + L11 ) = (1 L12 )

12 2
(1 L12 )(1 + L + L2 + ... + L11 ) = (1 L )

(1 L)

El mtodo idneo de anlisis de filtros es el estudio de las correspondientes

funciones de respuesta frecuencial, que se obtienen al sustituir en la funcin de
transferencia el operador de retraso por la exponencial compleja e it .
La funcin e it es

la funcin propia o caracterstica (autofuncin) de los

operadores lineales e invariantes, porque al someterla a la accin del filtro

obtenemos como salida la misma funcin multiplicada por una expresin que
no depende de t y que es, precisamente, la funcin de respuesta frecuencial.
Si aplicamos una primera diferencia, por poner el ejemplo ms simple, a la
funcin caracterstica, obtenemos como salida:

a( L)e it = (1 L)e it = (1 e i )e it = a( )e it
La funcin de respuesta a( ) es una funcin compleja de la frecuencia cuyo
mdulo se conoce como funcin de ganancia del filtro y cuyo argumento se
denomina funcin de fase del filtro.
A partir de la funcin de respuesta de frecuencia del filtro:

) (

a e i = 1 e i = e

e i 2 e i 2 = e i 2 2i sin = e i ( 2 2 ) 2 sin

2
2

Donde se ha hecho uso de la igualdad e

= 1 y del Teorema de Moivre15.

Se obtienen su funcin de ganancia y de fase:

G ( ) = 2 sin
2
F ( ) =

15

e i = cos( ) i sin( ) y e i = cos( ) + i sin( )

El

desfase

temporal

considera w = 2

de

este

filtro

F ( ) 2 2 T 2
=
=
,

si

se

a ( L ) xt =
El operador de medias mviles

1 n j
L xt
n j =0
tiene la funcin de respuesta

frecuencial siguiente:

( )

a e iw =

1
1 + e iw + e 2iw
3

A partir de la respuesta de frecuencia del filtro:

1
1
1
1 + e i + e 2i = e i e i + 1 + e i = e i (1 + 2 cos( ) )
3
3
3

se obtienen su ganancia16 y desplazamiento de fase:

G ( ) ==

1
(1 + 2 cos( ))
3

F ( ) =

( ) =

= 1

Ejemplo 8

Partimos de la serie xt = sin t

y aplicamos el filtro lineal a ( L) = 1 L . El

resultado se ilustra en la siguiente figura:

16

ya que e i e i = 1 , e i + e i = (2 cos( ) ) ,aplicando el teorema de De Moivre y las

igualdades sin( ) = sin( ) y cos( ) = cos( )

1
0,5
0
1

9 11 13 15 17 19 21 23 25 27

-0,5
-1
Serie original

Serie filtrada

La funcin de ganancia del filtro a ( L) = 1 L es:

2
1,8
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
-0,36

0,14

0,64

1,14

1,64

Cuando aplicamos el filtro lineal a( L) =

2,14

2,64

3,14

1 2 j
L , el resultado obtenido es:
3 j =0

1
0,5
0
1

9 11 13 15 17 19 21 23 25 27

-0,5
-1
Serie original

Serie filtrada

En el grfico se observa que las oscilaciones de la serie filtrada son de

amplitud menor a las de la serie original, y que hay un desplazamiento de la
serie filtrada con respecto a la original.

La funcin de ganancia del filtro a( L) =

1 2 j
L es:
3 j =0

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

Se aprecia que la ganancia del filtro es igual a cero en la frecuencia = 2

Esto significa que el filtro anula el efecto de cualquier componente de la serie

que tenga fluctuaciones con periodo 3. Por ejemplo, si se trata de una serie de
tiempo mensual el filtro eliminar cualquier efecto trimestral presente en la
serie.
Normalizando el desplazamiento de fase se obtiene que F ( )

= 1 . Esto

significa que el filtro introduce un desfase temporal de un periodo en la serie

filtrada.
Las funciones de ganancia (modulo) fase y desfase de los principales filtros
lineales figuran en la Tabla nIV.2.

Tabla nIV.2.- MODULO, FASE y DESFASE TEMPORAL DE LOS FILTROS

DE LA TABLA NIV.1

Filtro

Modulo

Periodo de mxima

Fase

Desfase

ganancia

temporal
para

un

periodo p

(1 L)

( 2)

6,2

12,4,24

2 sin 6

(1 L6 )

(1 L3 )(1 + L + L2 ) = (1 L)(1 + L + L3 ) 2

(1 L)

( 2)
3 sin ( )
2

)
2
12 sin ( )
2

2 sin 2 12

2 sin 2 3

2 sin 12

(1 L12 )

Fuente: Melis (1991)

2 sin 3

(1 L3 )

12 2
(1 L12 )(1 + L + L2 + ... + L11 ) = (1 L )

( 2)

2 sin

24,8,4.8,3.43,2.7,2.
8

32

p2
4

12

p6
4

23

p 12
4
p 24
4

p 10
4

p 46
4

Filtros FIR
Las tasas y las medias mviles forman parte de lo que en seales digitales se
denominan filtros de respuesta impulsional finita (FIR), ya que se basan en
obtener las salidas a partir, exclusivamente, de las entradas actuales y
anteriores. Generalizando, para un filtro lineal de longitud N:
N 1

yt = ao xt + a1 xt 1 + ... + a N 1 xt N +1 = a j xt j
j =0

donde a j son los coeficientes del filtro.

Una media mvil de orden tres, sera entonces el siguiente filtro FIR:
yt =

1
1
1
xt + xt 1 + xt 2
3
3
3

Y una tasa de crecimiento:

y t = xt xt 1
Los filtros FIR se clasifican segn los siguientes tipos:

Tipo

Nmero de trminos

Simetra

Impar

Simtrico a j = a N 1 j

II

Par

Simtrico a j = a N 1 j

III

Impar

Antisimtrico a j = a N 1 j

IV

Par

Antisimtrico a j = a N 1 j

La media mvil de orden tres es por tanto un filtro FIR tipo I, es decir simtrico
de orden impar, y la tasa de crecimiento sera un filtro FIR tipo IV, es decir
antisimtrico de orden par.

La funcin de respuesta frecuencial de un filtro tipo I es17

( )

a e iw = e

N 1
2

N 1

2 1

2a cos . N 1 j + a

j
N 1

2
j =0

Con lo que:
N 1
2

G ( ) ==

2a
j =0

N 1
cos .

j + a N 1
2

N 1
2

F ( ) =

Un filtro media movil de 3 trminos (N=3), donde a 0 =

1
1
y a N 1 = a 2 = ,

3
3
2

tendr entonces las siguientes funciones de ganancia y fase:

( ) (

a e iw = a o + a1e iw + a 2 e 2iw + a 3 e 3iw + a 4 e 4iw + ... =

17

=e

iw

N 1
2

ya que e

N 1
N 1
N 1
N 1
N 1

iw
1
iw
2
iw
3
iw
4
a e iw 2 + a e 2 + a e 2 + a e 2 + a e 2 + ..
1
2
3
4
o

iw

N 1
N 1
i
2
2

=e

iw

N 1
N 1
iw
2
2

= e0 = 1 y e

iw

N 1
N 1
i
iw
2
2

e =e

iw

N 1
N 1
i
iw
2
2

1
1
G ( ) = 2 cos( ) + y F ( ) =
3
3

Un filtro tipo II tiene la siguiente funcin de ganancia y fase:

N
2

G ( ) =

2a
j =0

N 1

cos .
j
2

N 1
2

F ( ) =

Un promedio mvil anual, es una tasa Tipo II, con doce coeficientes N=12 de
valor a j =

G ( ) =

1
. Con lo que:
12

12
1
2

2 12 cos .
j =0

12 1
j =
2

1 12 1
12 1
12 1
12 1
12 1
12 1
3 + cos
4 + cos
5 =
cos
1 + cos
2 + cos
+ cos

6
2
2
2
2
2
2

1 11
9
7
5
3
1
cos + cos + cos + cos + cos + cos

6 2
2
2
2
2
2

F ( ) =

11
.
2

Ejemplo 9
Partimos de la serie

a( L) =

xt = sin t

)+ sin ( t 12)

1 11 j
L .
12 j = 0

El resultado se ilustra en la figura siguiente:

y aplicamos el filtro lineal

2,5
2
1,5
1
0,5
0
-0,5 1 3 5 7 9 111315171921232527293133353739414345474951
-1
-1,5
-2
-2,5
Serie original

Serie filtrada

El promedio movil de 12 trminos produce una salida en donde se promedian

las oscilaciones de periodo inferior a 12 t, si se tratara de datos mensuales, la
funcin representada incluye como se ve un ciclo de 6 meses que es el que

( 3 ) y otro de 2 aos (24 meses) que es el que

generamos con la funcin sin ( t ) , la serie filtrada elimina las oscilaciones de
12
generalmos con la funcin sin t

6 meses, que son las ms frecuentes (en un conjunto de 50 datos dan lugar a 8
ciclos), las que ms se dan, y nos presenta las de dos aos, que son menos
frecuentes que las anteriores (dos ciclos en el conjunto de datos representado).
El promedio mvil de 12 trminos es por tanto un filtro desestacionalizador, en
el sentido de que anula las oscilaciones estacionales, es decir la que tienen
lugar al cabo de un ao.

La funcin de ganancia del filtro a( L) =

1 11 j
L es:
12 j = 0

1,2
1
0,8
0,6
0,4
0,2
0
-0,86

0,14

1,14

2,14

La ganancia del filtro es igual a cero en la frecuencia = 2

3,14

12

, 2 , 2 , 2 .
6
4
3

Esto significa que el filtro anula el efecto de cualquier componente de la serie

que tenga fluctuaciones con periodo 12, 6, 4 3. Por ejemplo, si se trata de
una serie de tiempo mensual el filtro eliminar cualquier oscilacin
cuatrimestral, semestral o anual presente en la serie.
Normalizando el desplazamiento de fase se obtiene que F ( )

= 5,5 . Esto

significa que el filtro introduce un desfase temporal de 5,5 meses en la serie

filtrada.
Un filtro tipo III tiene a su vez la siguiente funcin de ganancia y fase:

N 1
2

2a

G ( ) =

j =0

F ( ) =

N 1

sin .
2

N 1
2

Y un filtro tipo IV tiene la siguiente funcin de ganancia y fase:

N
2

G ( ) ==

2a
j =0

F ( ) =

N 1

sin .
j
2

N 1
2

La tasa de crecimiento trimestral a( L) = 1 L3 sera un filtro tipo IV, de 4

coeficientes (N=4), con los siguientes valores a0 = 1 , a1 = 0 , a 2 = 0 y a3 = 1 .
Su funcin de ganancia se calculara:

G ( ) =

4
1
2

2a
j =0

4 1

j =
sin .
2

4 1
4 1
= 21 sin
1 =
+ 0. cos
2
2

3
= 2 sin
2

Su funcin de desfase ser F ( ) =

La tasa de crecimiento interanual a( L) = 1 L12 sera un filtro tipo III, de 13

coeficientes (N=13), con los siguientes valores a0 = 1 , a1 ...a11 = 0 y a12 = 1 . Su
funcin de ganancia se calculara:

G ( ) =

13 1
1
2

j =0

13 1

2a j sin .
2

j =

13 1
13 1
13 1

13 1
13 1

13 1
= 21sin
1 + 0 sin
2 + 0 sin
3 + 0 sin
4 + 0 sin
5 =
+ 0. cos
2
2
2
2
2
2

12
= 2 sin
2

y su funcin de desfase F ( ) =

12
2

El filtro como producto de convolucin

Sean y y

z dos vectores de dimensin N. Se define su producto de

convolucin y z ; como el vector:

z 0 y 0 + z1 y N 1 + z 2 y N 2 + ... + z N 2 y 2 + z N 1 y1
z y + z y + z y + ... + z y + z y

0 1
1 0
2 N 1
N 2 3
N 1 2

z 0 y 2 + z1 y1 + z 2 y 0 + ... + z N 2 y 4 + z N 1 y 3
yz =

z 0 y N 2 + z1 y N 3 + z 2 y N 4 + ... + z N 2 y 0 + z N 1 y N 1

z 0 y N 1 + z1 y N 2 + z 2 y N 3 + ... + z N 2 y1 + z N 1 y 0

El producto de convolucin se puede expresar de forma matricial:

yo
y
1
y
yz = 2
.
y N 2

y N 1

y N 1
yo
y1
.
y N 3
y N 2

y N 2
y N 1
yo
.
y N 4
y N 3

.
.
.
.
.
.

y2
y2
y4
.
y0
y1

y1 z o
y 2 z1
y3 z 3

. .
y N 1 z N 2

y 0 z N 1

La matriz cuadrada del producto de convulsin recibe el nombre de matriz

circulante ya que los elementos de la primera columna van rotando su posicin
en las columnas sucesivas.
La transformada discreta de Fourier del producto de convolucin de y z es el
producto de Hadamard de las correspondientes transformadas de y y de z :

DFT ( y z ) = DFT ( y ) DFT ( z )

Una forma de calcular y z es a traves de la multiplicacin coordenada a
coordenada de las transformadas de y y de z ; obteniendo la transformada
inversa de este vector ( DFT ( y z ) ).
Filtrar una serie puede entenderse como el producto de una convolucin; as
por ejemplo al emplear el filtro lineal (1 L) se realizara el siguiente producto
de convolucin:

0
1 1
0 1 1

0 0 1
yz =
.
.
.
0 0 0

0 0
1

. 0 0 zo
. 0 0 z1
. 0 0 z3

. .
. .
. 1 1 z N 2

. 0 1 z N 1

En donde el vector y sera

1
0

0
y=
0
0

1
Una media mvil centrada de tres trminos se expresara por el siguiente
producto de convolucin:

1
3
0

0
yz =
.

13
1
3

3
0
.

0
1
3

.
3
. .

.
1
3
0

3
3

En donde el vector y sera

0 z
o

0 z1

0 z3

. .

1 z N 2
3

1 z N 1
3

1
3
0
0
y=
.
1
3
1
3

Para obtener los grficos de las funciones de ganancia y desfase utilizando la

transformada discreta de Fourier, se emplean las siguientes expresiones:

G ( w) = R( ) + I ( )
I ( )
F ( ) = tan 1

R( )
Centrar el filtro equivale a realizar la siguiente multiplicacin matricial
1
1
3
3
1
0
3

0
0
yz =
.
.

0
0

0
0
[(N 2) 1] = [(N

0 z
o

1 . 0
0
z1
3

1 . 0
0 z3
3

. . .
. .

0 . 1
0 z N 2
3

1
1 z N 1
0 .
3
3
2 ) N ] [N 1]
1

Es decir habra que eliminar las dos ltimas filas de la matriz que desarrolla el
filtro lineal.

Ejemplo 10
Utilizando R vamos a filtrar la serie
t <- seq(0, 49, by=1)
Z <- sin(pi*t/3)+sin(pi*t/12)
# transformadas
z <- fft(Z)
#filtro de media mvil de 12 trminos
Y <- c(1/12, rep(0, 38), rep(1/12,11))
y <- fft(Y)
X <- fft(y*z,inverse=TRUE)/50
plot.ts (X[1 :39], type="l")

0.2 0.4 0.6

-0.2
-0.6

MVZ[1:39]

10

20
Time

# Funcin de ganancia del filtro

GW = abs(y)
P = GW[1:25]
f = (0:24)*pi/25
plot(f, P, type="l")

30

40

1.0
0.8
0.6
0.0

0.2

0.4

0.0

0.5

1.0

1.5

2.0

2.5

3.0

La instruccin en R para filtrar series es:

convolve(x, y, conj = TRUE, type = c("circular", "open", "filter"))

De tal manera que el filtrado de una serie por una media mvil de 12 trminos
centrada con R utilizamos la siguiente instruccin:

Y <- c(rep(1,12))/12
X <- convolve(Z,Y,type="filter")
plot (t [6:44], Z[6:44], main="Filtro MM12 utilizando convolve(.)" )
lines(t[6:44], X, col="red")

0
-1

Z[6:44]

Filtro MM12 utilizando convolve(.)

10

20

30

40

t[6:44]

Los filtros pueden ser aplicados en serie, por ejemplo la tasa media de
crecimiento trimestral (1 L3 )(1 + L + L2 ) , sera la multiplicacin matricial de

1
1
0 .
3
3
0 1 3 13 .

0
0 1 .
3
x ( y z) = ( x y) z =
.
.
. .

0 .
13 0
1
1
0 .
3
3
1
0
0 1 .
0 z
3
o
3

1
0
0
.
0 z1
0
3

.

.
.
.
.
0

z
3

0
0
0
.
0 .
3

1
0
0
.
0 z N 2
0
3

1
1 z N 1
0
0
0
.

3
3

0
0
0
.
1
3
0

1
0
3 1 1

0
0 1 1

0 0 0 1

.
.
. .

1 0 0 0
3
0 0
1 1
3

. 0 0 zo
. 0 0 z1
. 0 0 z3
=

. .
. .
. 1 1 z N 2

. 0 1 z N 1

Utilizando la transformada discreta de Fourier, el filtro se desarrollara:

DFT (x y z ) = DFT ( x) DFT ( y ) DFT ( z )

siendo
1
1
3
0
0

0
0
y= x=
.
0
1
0
3

1
1
3

O bien: DFT (x y z ) = DFT ( x y ) DFT ( z )

siendo
1
3
0
.
x=

13
0

Ejemplo 11
Utilizando R vamos a filtrar la serie
t <- seq(0, 49, by=1)
Z <- sin(pi*t/3)+sin(pi*t/12)

# transformadas
z <- fft(Z)

#filtro de diferencia regular

Y <- c(-1, rep(0, 48), 1)
y <- fft(Y)
MVZ <- fft(y*z,inverse=TRUE)/50
plot.ts (MVZ[1 :50], type="l")

#filtro de media movil de 3 trminos

X <- c(1/3, rep(0, 47), rep(1/3,2))
x <- fft(Y)

#filtro multiplicativo
MVZ <- fft(x*y*z,inverse=TRUE)/50

0.0
-1.0

-0.5

MVZ[1:39]

0.5

1.0

plot.ts (MVZ[1 :39], type="l")

10

20
Time

# Funcin de ganancia del filtro

GW = abs(x*y)
P = GW[1:25]
f = (0:24)*pi/25
plot(f, P, type="l")

30

40

4
3
2
0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Series de tiempo
Por definicin, una serie temporal es una sucesin de observaciones de una
variable realizadas a intervalos regulares de tiempo.
El objetivo fundamental del estudio de las series temporales es el conocimiento
de su comportamiento a travs del tiempo para, a partir de dicho conocimiento,
y bajo el supuesto de que no van a producirse cambios relevantes, poder
realizar predicciones, es decir, determinar qu valor tomar la variable objeto
de estudio en uno o ms perodos de tiempo situados en el futuro. Dado que en
la mayor parte de los problemas econmicos, los agentes se enfrentan a una
toma de decisiones bajo un contexto de incertidumbre, la prediccin de una
variable reviste una importancia notoria pues supone, para el agente que la
realiza, una reduccin de la incertidumbre y, por ende, una mejora de sus
resultados.

Antes de profundizar en el anlisis de las series temporales es necesario

sealar que, para llevarlo a cabo, hay que tener en cuenta los siguientes
supuestos:

Se considera que existe una cierta estabilidad en la estructura del

fenmeno estudiado. Para que se cumpla este supuesto ser necesario
estudiar perodos lo ms homogneos posibles.

Los datos deben ser homogneos en el tiempo, o, lo que es lo mismo,

se debe mantener la definicin y la medicin de la magnitud objeto de
estudio. Este supuesto no se da en muchas de las series econmicas,
ya que es frecuente que las estadsticas se perfeccionen con el paso del
tiempo, producindose saltos en la serie debidos a un cambio en la
medicin de la magnitud estudiada. Un caso particularmente frecuente
es el cambio de base en los ndices de precios, de produccin, etc.
Tales cambios de base implican cambios en los productos y las
ponderaciones que entran en la elaboracin del ndice que repercuten
considerablemente en la comparabilidad de la serie en el tiempo.

Indudablemente, la calidad de las previsiones realizadas dependern, en buena

medida, del proceso generador de la serie: as, si la variable observada sigue
algn tipo de esquema o patrn de comportamiento ms o menos fijo (serie
determinista) seguramente obtengamos predicciones ms o menos fiables, con
un grado de error bajo. Por el contrario, si la serie no sigue ningn patrn de
comportamiento

especfico

(serie

aleatoria),

seguramente

nuestras

predicciones carecern de validez por completo.

Generalmente, en el caso de las series econmicas no existen variables
deterministas o aleatorias puras, sino que contienen ambos tipos de elementos.
El objeto de los mtodos de previsin cuantitativos es conocer los
componentes subyacentes de una serie y su forma de integracin, con objeto
de realizar de su evolucin futura.

Tradicionalmente, en los mtodos de descomposicin de series temporales, se

parte de la idea de que la serie temporal se puede descomponer en todos o
algunos de los siguientes componentes:

Tendencia (T), que representa la evolucin de la serie en el largo plazo

Fluctuacin cclica (C), que refleja las fluctuaciones de carcter

peridico, pero no necesariamente regular, a medio plazo en torno a la
tendencia. Este componente es frecuente hallarlo en las series
econmicas, y se debe a los cambios en la actividad econmica18.

Variacin Estacional (S): recoge aquellos comportamientos de tipo

regular y repetitivo que se dan a lo largo de un perodo de tiempo,
generalmente igual o inferior a un ao, y que son producidos por
factores tales como las variaciones climatolgicas, las vacaciones, las
fiestas, etc.

Movimientos Irregulares (I), que pueden ser aleatorios, la cual recoge los
pequeos efectos accidentales, o errticos, como resultado de hechos
no previsibles, pero identificables a posteriori (huelgas, catstrofes, etc.)

En este punto, cabe sealar que en una serie concreta no tienen por qu darse
los cuatro componentes. As, por ejemplo, una serie con periodicidad anual
carece de estacionalidad.
La asociacin de estos cuatro componentes en una serie temporal, Y, puede
responder a distintos esquemas; as, puede ser de tipo aditivo:
Y=T+C+S+I

Tambin puede tener una forma multiplicativa:

18

Para la obtencin de la tendencia es necesario disponer de una serie larga y de un nmero de ciclos
completo, para que sta no se vea influida por la fase del ciclo en que finaliza la serie, por lo que, a veces,
resulta difcil separar ambos componentes. En estos casos resulta til englobar ambos componentes en
uno solo, denominado ciclo-tendencia o tendencia generalizada.

Y=TCSI
O bien ser una combinacin de ambos, por ejemplo:
Y=TCS+I
Una forma sencilla para ver como estn asociadas las componentes de una
serie temporal es representar grficamente la serie que estamos analizando. Si
al realizar la representacin grfica se observa que las fluctuaciones son ms o
menos regulares a lo largo de la serie, sin verse afectadas por la tendencia
(vase adjuntas), se puede emplear el esquema aditivo.

Esquema aditivo

Si, por el contrario, se observa que la magnitud de las fluctuaciones vara con
la tendencia, siendo ms altas cuando sta es creciente y ms bajas cuando es
decreciente (vase Fig. 9.2), se debe adoptar entonces el esquema
multiplicativo.

Esquema multiplicativo.

El modelo bsico de tendencia puede expresarse entonces as:

Tt = a ot cos(0 t ) + bot sin(0 t ) = a ot

Las componentes cclica y estacional:

stpj = a jt cos( w j t ) + b jt sin( w j t )

Y la componente irregular

et
De tal forma que el modelo completo de una serie temporal puede describirse:
R

Yt = a jt cos( w j t ) + b jt sin( w j t ) + et
j =0

Vista as una serie temporal as cabe utilizar la teora de filtros lineales para
describir los componentes de una serie temporal.

Ejemplo 12

t
t
Generamos la serie temporal Yt = 2 + 0,25 cos
+ 0,50 cos
+ et donde
3
12

et es una distribucin normal de nmeros aleatorios con media cero y varianza

0,25 et N (0;0,25) .
La representacin grfica de esta serie sera:

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0

1
0,8
0,6
0,4
0,2
0
-0,2
-0,4
-0,6
-0,8
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie temporal

Ciclo

Se aprecia que la serie temporal sigue el perfil del ciclo creado, si bien difiere
de este en el mayor nivel que introduce la tendencia (de valor constante igual a
2), y la mayor irregularidad que le incorpora de la serie aleatoria. El ciclo como
se aprecia es un ciclo largo de 24 datos (periodo 24) (de mximo a mximo),
que tiene lugar dos veces al cabo de los 50 datos, y un ciclo corto o ms
frecuente ya que se repite unas 8 veces a los largo del conjunto de datos, y que
tiene lugar cada 6 datos (periodo 6).
Pretendemos ahora extraer las seales relevantes de la serie, en este caso
seran los dos ciclos a travs de filtros lineales, si queremos representar el ciclo
largo tenemos varias posibilidades de filtros la media mvil de 12 trminos que

anulan las siguientes frecuencias = 2

de 6 datos, a( L) =

12

, 2 , 2 , 2 , una media mvil

6
4
3

1 5 j
L que anulara las frecuencias = 2 6 , 2 3 , y cuya
6 j =0

funcin de ganancia sera:

G ( ) =

6
1
2

2 6 cos .
j =0

6 1

j =

1 6 1
6 1
6 1

cos
1 + cos
2 =
+ cos

3
2
2
2

1 5
3
1
cos + cos + cos

3 2
2
2

1,2
1
0,8
0,6
0,4
0,2
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

El desfase de la media mvil de 12 datos sabemos que es de -5,5 y la de 6

trminos:

F ( )
=
w

6 1
2 = 2,5 . En los resultados grficos se aprecia que una y otra
w

nos representan el ciclo largo pero la media mvil de 12 trminos con un coste
informativo menor:

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie temporal

MV(12)

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie temporal

MV(6)

El menor coste informativo de la media mvil de 6 trminos la hace ms

deseable para extraer en este caso el ciclo de periodo 24 que la media mvil de
12 datos.

La media mvil de 3 datos, cuya funcin de ganancia tambin hemos

representado anteriormente iguala a cero la frecuencia = 2

, es decir las

que tienen lugar cada 3 datos (periodo 3), que nosotros no tenemos y atena
sin anularlas completamente las de menor periodo, es decir el efecto de esta
media mvil a nuestro conjunto de datos es anular las frecuencias ms altas,
es decir las oscilaciones que ms veces se dan, que en este caso las que
induce la serie aleatoria irregular y dejar pasar las de periodo superior a tres. El
resultado grfico de utilizar esta media mvil es el siguiente:

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
1

7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
Serie temporal

MV(3)

Como vemos ahora el filtro deja pasar la tendencia y los dos ciclos que forman
la serie, el de 24 datos y el de 6 datos.
Todos los filtros que hemos utilizado tienen en la funcin de ganancia un uno
en las muy bajas frecuencias, esto quiere decir que dejan pasar los ciclos de
muy largo plazo, esto es las tendencias, y por el contrario atenan cuando no
anulan las mas altas frecuencias, por ello en su salida las tres medias mviles
ha suavizado las oscilaciones irregulares, que persisten en la serie pero muy
atenuadas.

El filtro yt = xt xt 3 = (1 L3 ) xt

tiene el efecto contrario, ya que su funcin de

ganancia es:

( 2)

G ( ) = 2 sin 3

2,5
2
1,5
1
0,5
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

En la representacin grfica vemos que el filtro anula las oscilaciones de baja

frecuencia, es decir, las tendencias, y anula nicamente oscilaciones las que
tienen lugar cada tres datos, dejando pasar las de mayor frecuencia. El efecto
de este filtro sobre nuestro conjunto de datos sera el siguiente:

5
4
3
2
1

-1
-2
-3
Serie temporal

T(3,1)

50

43

36

29

22

15

Como se aprecia el filtro ha eliminado la tendencia de la serie, ya que la ha

centrando la serie en cero y ha dejado pasar su perfil ms irregular. En
consecuencia a partir de la funcin de ganancia se podra construir un filtro
lineal a nuestros datos que dejara pasar anulara la componente deseada.

Tipos de filtros

En la literatura de proceso de seales digitales, los filtros como la media movl

1

de orden 2 a ( L) = (1 + L2 ) se conocen como filtros de corte (notch filter),

2

son aquellos que contienen uno o ms profundos cortes o muescas en su

funcin de ganancia. Este en concreto anula las frecuencias de periodo 4

( = 2 4 ), siendo su funcin de ganancia la que se representa en el grfico

siguiente:

G ( ) =

3 1
1
2

j =0

1
3 1

3 1

2 cos .
j + 0 = cos
0 = cos( ) ,
2
2
2

a 31 = 0 , y a 2 =

1
2

ya

que

a0 =

1
2

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

Si el filtro introduce ceros uniformemente espaciados en el eje de frecuencias,

como el sumador estacional se denominan filtros en peine (comb filters). Los
filtros a( L) =

1 5 j
1 11
L y a( L) = L j , son filtros de peine, en los que se

6 j =0
12 j =0

introduce un cero en el perodo p (frecuencia 2/p).

El operador autoregresivo a( L) =

1
, equivale a una media mvil de
(1 L)

trminos; cuyo desarrollo sera : a( L) = 1 + L + L2 + ...L . La funcin de ganancia

del filtro a( L) =

1
, sera G ( ) =
(1 L)

autoregresivo de la forma a ( L) =

1

2 sin
2

, (ver Tabla nIV.2). Un operador

1
, se desarrolla en el siguiente proceso
(1 + L2 )

de medias mviles a( L) = 1 L2 + L4 L6 ...L , y tendra una funcin de ganancia

del tipo : G ( ) =

1
. Este filtro se comporta de forma opuesta a
2 cos( )

a( L) = 1 + L2 , acentuando las oscilaciones de cuatro meses. La ganancia del

filtro es muy pequea salvo en las proximidades del cero estacional, en donde
crece muy rpidamente, como puede verse en el Grfico siguiente.

100
90
80
70
60
50
40
30
20
10
0
0

0,5

1,5

2,5

3,5

Los filtros pueden estar constituidos por un operador autoregresivo y una media
media mvil, a( L) =

(1 L4 )
, es un ejemplo de este tipo de filtros, y cuando lo
(1 L)

desarrollamos, obtenemos el siguiente filtro lineal:

(1 L4 )
a( L) =
= (1 L4 )(1 + L + L2 + ... + L ) = (1 + L + L2 + ... + L ) ( L4 + L5 + L6 + ... + L ) =
(1 L)
= (1 + L + L2 + L3 )

Cuya funcin de ganancia es G ( ) =

4
1
2

2 cos .
j =0

4 1

3

j = 2 cos
+ 2 cos ,
2

2
2

4
sin

otra forma alternativa de obtener esta funcin de ganancia es G ( ) = 2 ,

sin
2

que se obtendra dividiendo las funciones de ganancia de ambos filtros

4 y
2 sin
2 sin .

4
3,5
3
2,5
2
1,5
1
0,5
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

Si el operador autorregresivos es de la forma a( L) =

1
, el filtro lineal que
(1 aL)

lo desarrolla es a( L) = 1 + aL + a 2 L2 + ...a L , si a < 1 ,la potencia a llegar un

punto en que acercara a cero y el filtro podr desarrollarse en trminos finitos,
expresado en su forma ms general un filtro autoregresivo toma la forma de

( L) =

;de igual manera el operador de medias mviles se expresa en

M 1

j =0

N 1

la forma mas general como ( L) = j L j , y en consecuencia un filtro

j =0

ARMA(M,N) dara lugar a la siguiente expresin:

N 1

a( L) =

j =0

Lj

M 1

j =0

Ejemplo 13
El modelo ARMA(1,1),

a( L) =

(1 0,5L )Yt

= (1 0,8)et da lugar al siguiente filtro

1 0,8L
et , su linearizacin sera
1 0,5L

Yt = ((1 0,8) + 0,5(1 0,8) L + 0,5 2 (1 0,8) L2 + 0,5 3 (1 0,8) L3 + ...) et =

= (0,2 + 0,1L + 0,05L2 + 0,0125L3 + 0,00078125L4 + 3,05 10 6 L4 + ...).et
Haciendo N=4, el filtro quedara

0,2
0,1
0,05
0,0125
0,00078125
0

0
0
,
2
0
,
1
0
,
05
0
,
0125
0
,
00078125

0.
0
0,2
0,1
0,05
0,0125

.
.
.
.
.
.
yz=
0,00078125
0
0
0
0
0

0
,
0125
0
,
00078125
0
0
0
0

0,05
0,0125
0,00078125
0
0
0

0,1
0,05
0,0125
0,00078125
0
0

En donde el vector y sera

0,2

0
,
00078125

y=
0,0125

0,05

0,1

Utilizando R representamos su funcin de ganancia

#filtro ARMA
Y <- c(0.2, rep(0, 45), 0.00078125, 0.0125,0.05, 0.1)
y <- fft(Y)

.
.
.
.
.
.
.
.

zo

z1
0. z
3

. .

0,0125 .

0,05 .

0,1 z N 2

0,2 z N 1
0
0

# Funcin de ganancia del filtro

GW = abs(y)
P = GW[1:25]
f = (0:24)*pi/25

0.25
0.15

0.20

0.30

0.35

plot(f, P, type="l")

0.0

0.5

1.0

1.5

2.0

2.5

3.0

El filtro diseado atena las altas frecuencias y deja pasar las bajas
frecuencias. Este tipo de filtros se denominan de paso bajo.

19

Diseo de Filtros

Los filtros digitales se aplican usualmente en el dominio del tiempo

convolucionando el dato con los coeficientes del filtro, pero tambin pueden
disearse en el dominio de las frecuencias.
Existen varias estrategias para el diseo de filtros. En general se busca
reproducir, de la manera ms precisa posible con un nmero predeterminado
de coeficientes, la respuesta en frecuencia (espectro) deseada del filtro.

Una

vez diseado el espectro del filtro a travs del clculo de la Transformada de

Fourier Inversa se obtendran los coeficientes. Dado que no es posible obtener
un filtro de longitud finita que se ajuste en forma exacta al espectro deseado, es
en este punto donde entran en juego diversas estrategias que buscan obtener
un filtro lo ms aproximado al efecto que de el se desea. La longitud del filtro
es, entonces, uno de los elementos ms importantes a tener en cuenta. Por
razones prcticas, cuanto ms corta es la respuesta impulsiva del filtro, mejor,
pero un filtro muy corto puede producir efectos indeseados en las frecuencias
cercanas a la que pretendemos atenuar, en tanto que un filtro muy largo, si
bien se aproxima ms a la respuesta en frecuencias deseada, presenta como
desventaja los desfases o su tiempo de respuesta. El uso de ventanas
apropiadas para truncar la respuesta impulsiva convenientemente es una
tcnica muy usual. Otra tcnica consiste en modificar iterativamente los
coeficientes del filtro obtenidos hasta satisfacer el espectro de frecuencia
deseado. Y en el dominio de las frecuencias existen mtodos basados en
digitalizar funciones racionales de la frecuencia (filtros de Chebyshev,
Butterworth, elpticos, etc.).
El uso de ventanas (window carpentry), surgi hace ya tres dcadas y
consiste en toda una batera de mtodos y ventanas especialmente diseadas
para obtener un filtro ideal. Cada ventana tiene sus propias caractersticas en

19

Elaborado a partir de http://ocw.uv.es/ingenieria-y-arquitectura/filtrosdigitales/tema_3._diseno_de_filtros_fir.pdf

el sentido que producen filtros con determinadas propiedades en la banda de

paso, de rechazo y/o de transicin. Entre las ventanas ms conocidas podemos
mencionar: triangular (Bartlet), Hamming, hanning, Parzen, Daniell, etc., siendo
la de Hamming una de las ms utilizadas.

Consideremos la ventana mas sencilla; la ventana rectangular. La ventana se

define como:

1 0 n N 1
w(n)
0 nN
su expresin en el dominio e iw es:

( ) = 1+ e

ae

iw

iw

+ ... + e

iw ( N 2 )

+e

iwN

1 e iwN
=
1 e iw

con lo que su respuesta en frecuencia resulta,

( )

a e iw = e

N 1
iw

N
sin

2

sin
2

N
sin

2
N 1

y su desfase
Su funcin de ganancia sera G (W ) =

sin
2

Una ventana rectangular o boxcar, tiene el efecto de una media mvil, por
ejemplo una media mvil de 6 trminos es igual a cero las frecuencia
y

= 2 6

= 2 3

y deja pasar la oscilaciones o ciclo de frecuencia ms baja y atena

relativamene las de frecuencia ms alta, y las intermedias entre

3 y

6 .

La ventana de Hanning por ejemplo, para N=6 da lugar a los siguientes

coeficientes :

w(n) =

1
2 n
1 cos

2
N 1

1
(1 cos(0)) = 0
2
1
2
w(1) = 1 cos
= 0,5
2
5
w(0) =

w(2) =

1
4
1 cos
2
5

= 1,5

w(3) =

1
6
1 cos
2
5

= 2

w(4) =

1
8
1 cos
2
5

= 1,5

w(5) =

1
10
1 cos
2
6

= 0,5

w(6) =

1
12
1 cos
2
6

= 0

su expresin en el dominio e iw es:

( )

a e iw = 0 + 0,5e iw + 1,5e 2iw + 2e 3iw + 1,5e 4iw + 0,5e 4iw + 0e 5iw

Se trata de un filtro FIR simtrico impar (tipo I), que dara lugar a la siguiente
respuesta en frecuencia:

( )

a e iw = e

N 1
2

N 1

2 1

2a cos w. N 1 j + a

j
N 1

2
j =0

a (e iw ) = e i 3 w (cos(2w) + 3 cos(w) + 2)
Es decir tendra un desfase de -2 periodos y una funcin de ganancia de
N 1

= 3
G ( w) = (cos(2w) + 1) y un desfase de 2

La representacin de la funcin de ganancia es:

1,2
1
0,8
0,6
0,4
0,2
0
0

0,5

1,5

2,5

3,5

Se comprueba que el filtro atena considerablemente las altas frecuencias, las

que superan los

3.

El mtodo de las ventanas se basa en truncar la respuesta impulsional infinita

de un filtro ideal.
Como el producto en el dominio del tiempo equivale a una convolucin en el
dominio de la frecuencia, podemos estudiar el efecto que este enventanado
tiene sobre la respuesta frecuencial del filtro:

La convolucin de una ventana boxcar y una ventana de Hanning ambas con

N=6, da lugar a una funcin de ganancia que se obtendra multiplicando punto
a punto las funciones de ganancia calculadas para la media mvil de 6
trminos y la ventana de Hanning (6):

Da lugar a un filtro en el que ahora estn considerablemente atenuadas las

oscilaciones de periodo superior a 6 datos, o las frecuencias ms altas a 2

El desarrollo lineal del filtro lo resolvemos con el operador de retardos:

)(

a( L) = 1 + L2 + L3 + L4 + L5 + L6 0 + 0,5L + 1,5L2 + 2 L3 + 1,5L4 + 0,5L5 + 0 L6

Que una vez operado da lugar al siguiente filtro FIR tipo II:

a( L) = 0 + 0,5L + 2 L2 + 4 L3 + 5,5L4 + 6 L5 + 6 L6 + 5,5L7 + 4 L8 + 2 L9 + 0,5L10 + 0 L10

Cuya funcin de ganancia tambin puede calcularse como:

9
7
5
3
1
G ( w) = cos w + 4 cos w + 8 cos w + 11 cos w + 12 cos w
2
2
2
2
2

Ejemplo 14
t
t
e
Generamos la serie temporal Yt = sin
+ sin
+ et donde t es una
3
12

distribucin normal de nmeros aleatorios con media cero y varianza 0,25

et N (0;0,25) . Esta serie genera como vemos en la grfica ciclos de periodo

24 y de periodo 6, y la irregularidad que introduce el error aleatorio incorporado.

En la representacin grfica de la serie se puede comprobar los efectos de las

ventanas boxcar20, la ventana Hanning, y la convolucin de ambas, en la
convolucin se puede apreciar como se ha eliminado las pequeas
oscilaciones que presentaba la media mvil de 6 trminos, quedando
prcticamente aisladas las oscilaciones de periodo 24:

20

Para reducir la amplitud de las ventanas hay que dividir por 6 la boxcar y la ventan Hanning, y
consecuentemente por 36 la convolucin de las dos ventanas.

Los filtros de Butterworth, de Chebyshev (tipo I y tipo II) y de Jacobi (elpticos),

son filtros RC analgicos cuya respuesta en frecuencia es bien conocida y
ajustable de acuerdo a la seleccin apropiada de sus componentes. Su
caractersticas es que los espectros de potencia de estos filtros se pueden
expresar como funciones racionales de , lo que permite, en principio, su
factorizacin.
No obstante disear filtros es una tarea compleja que requiere el uso de
software matemtico y un buen conocimiento de la teora de filtros digitales. En
general requiere tres pasos:

Establecer las especificaciones del filtro para unas determinadas

prestaciones (frecuencias de paso, atenuaciones, ganancias, etc)

Determinar

la

funcin

de

transferencia

que

cumpla

dichas

especificaciones

Realizar la funcin de transferencia con el software estadstico utilizado

Ejemplo 15
El paquete Signal de R, ofrece diversas utilidades para el diseo de filtros,
http://cran.r-project.org/web/packages/signal/index.html,

cuyo

manual

descarga en : http://cran.r-project.org/web/packages/signal/signal.pdf
Aqu se desarrolla un ejercicio similar al ejercicio 13 utilizando ventanas:
n <- 51
op <- par(mfrow = c(3,3))
plot(bartlett(n), type = "l", ylim = c(0,1))
plot(blackman(n), type = "l", ylim = c(0,1))
plot(boxcar(n), type = "l", ylim = c(0,1))
plot(flattopwin(n), type = "l", ylim = c(0,1))
plot(gausswin(n, 5), type = "l", ylim = c(0,1))
plot(hanning(n), type = "l", ylim = c(0,1))
plot(hamming(n), type = "l", ylim = c(0,1))
plot(triang(n), type = "l", ylim = c(0,1))
par(op)

se

20 40

20 40
Index

20 40

0.0
0

20 40
Index

n <- length(x <- -20:24)

y <- sin(pi*x/6) +sin(pi*x/12) + rnorm(x)/8
n <- length(x <- -20:24)

Filtro <- function(y)

convolve(y, hanning(6)/6, type = "filter")

plot(x,y, main="Using Hanning(.) for filters")

lines(x[-c(1:3 , (n-1):n)

20 40
Index

Index

triang(n)

0.0

hamming(n)

hanning(n)

0.0
0

Index

20 40
Index

gausswin(n, 5)

0.0

flattopwin(n)

Index

0.0

boxcar(n)

0.0
0

0.0

20 40

blackman(n)

0.0

bartlett(n)

], Filtro(y), col="red")

20 40
Index

0
-2

-1

Using Hanning(.) for filters

-20

-10

10

20

Filtro <- function(y)

convolve(y, convolve( boxcar(6)/6, hanning(6)/6) , type = "filter")

plot(x,y, main="Using convolve(.) for filters")

lines(x[-c(1:3 , (n-1):n)

], Filtro(y), col="red")

0
-1
-2

Using convolve(.) for filters

-20

-10

10
x

20

TEMA V.- APROXIMACIN DE UNA FUNCION UTILIZANDO EL

ANALISIS ARMNICO.

Flexibilidad
Dado que la forma funcional de la relacin entre la variable dependiente y los
regresores es en general desconocida; uno puede preguntarse si existe un
modelo paramtrico que pueda aproximar una amplia variedad de relaciones
funcionales. Flexibilidad es as un concepto multidimensional; y dar una
definicin tcnica de flexibilidad puede no ser adecuado a todas las
situaciones.
La flexibilidad local (a veces Diewert flexibilidad o simplemente flexibilidad)
implica que una aproximacin a una forma funcional converge a error cero
(aproximacin perfecta) para una funcin arbitraria en sus dos primeras
derivadas en un punto particular.
Las series de expansin de Taylor han dominado el campo de las formas de
flexibilidad local pero no es la nica posibilidad de ofrecer flexibilidad local
(Barnett). Ignorando las complicaciones de la estimacin estadstica se puede
asumir se puede aproximar funcionalmente una relacin conocida a una forma
flexibles imponiendo amplios errores en la aproximacin funcional y sus
derivadas lejos del punto de aproximacin perfecta (Despotakis; 1980).
Los problemas asociados a la estimacin de estos modelos ha reducido el
atractivo de las formas de flexibilidad local. El ejemplo propuesto por White
(1980) demuestra que los estimadores mnimo cuadrados de las series de
expansin de Taylor no son indicadores muy reales del vector de los
parmetros para una expansin cierta de una funcin conocida. Como
consecuencia de estas y otras investigaciones; las propiedades predictivas de
las formas de flexibilidad local han sido encontradas poco satisfactorias.

La flexibilidad global (a menudo flexibilidad de Sobolev) se prefiere a la

flexibilidad local por la ausencia de restricciones de segundo orden en cualquier
punto (Gallant 1981; 1982). En principio; los nicos requerimientos exigidos a
estas formas flexibles son que; en primer lugar; deben poseer suficientes
parmetros como para que puedan considerarse una aproximacin adecuada a
la verdadera funcin; y; en segundo lugar; deben generar funciones
potencialmente integrables; es decir; capaces de verificar las restricciones
tericas.
En su aplicacin; a menudo; la norma de Sobolev no permite obtener
parmetros estimados; entonces la estimacin de las formas flexibles globales
podra usar las tradicionales medidas de distancia de mnimos cuadrados
(Elbadawi; Gallant; y Souza; 1983).

Flexibilidad local
La flexibilidad se entiende como local (flexibilidad de Diewert); cuando da lugar
a una aproximacin que converge a error cero (aproximacin perfecta) a una
funcin arbitraria y sus dos primeras derivadas en un punto concreto. Las
series de expansin de segundo orden de Taylor han dominado el campo de
las formas de flexibilidad local; pero las inferencias basadas en series de Taylor
pueden estar seriamente sesgadas; debido al comportamiento problemtico del
trmino residual de la aproximacin.
Supongamos que el modelo es

y = g (x ) + e
Una serie de expansin de segundo orden de Taylor (que remaineder term) de
la funcin g(x) en el punto x=0 es

g ( x) = g (0) + x' Dx g (0) +

x' Dx2 g (0) x

+R
2

Usamos la aproximacin; que simplificamos ocultando el trmino residual;

como una aproximacin de g(x):

g ( x) gk ( x) = g (0) + x' Dx g (0) +

x' Dx2 g (0) x

2

Cuando x 0; la aproximacin viene a ser ms o menos exacta; en el sentido

de que gk(x) g(x); Dxgk(x) Dxg(x)

y D2xgk(x) D2xg(x) . Para x=0; la

aproximacin es exacta; en la primera y segunda derivada. La idea que esta

detrs es que en muchas formas funcionales flexibles g(0); Dxg(0) y D2xg(0)
son constantes. Si nosotros tratamos estas como parmetros; la aproximacin
podra tener suficientes parmetros libres para aproximar la funcin g(x);
cuando es desconocida la forma; en concreto; el primero y segundo orden; en
el punto x=0.
El modelo es:

gk ( x) = + x' + 1 x' x
2
Entonces el modelo de regresin a estimar es

y = + x ' + 1 x ' x
2
Entre las formas flexibles ms usadas que proceden de aproximaciones de
Taylor destaca las formas Translog; introducidas por Christensen; Jorgenson y
Lau (1975). Sin embargo; tal como han mostrado Caves y Christensen (1980);
Guilkey y Lovell (1980); Barnett (1983); o Gallant (1981);

las inferencias

derivadas de funciones basados en series de Taylor pueden estar seriamente

sesgadas; debido al comportamiento problemtico del trmino residual de la
aproximacin; este hecho no es de extraar21; ya que las aproximaciones de

21

En el modelo de regresin Diewert-flexible, se plantea la siguiente cuestin: Es

p lim = g (0) ?

Es

p lim = Dx g (0) ? Es p lim = D g (0) ?

2
x

La respuesta es no, en general, ya que si encontramos los valores ciertos de los parmetros en estas derivadas,
entonces e (error) forma parte del termino residual, el cual es funcin de x, entonces x y e estn correlacionados, lo que
implica que el estimador esta sesgado. (Creel M Econometrics Version 0.80, February, 2006 Dept. of Economics and
Economic history, Universitat autnoma de Barcelona). http://pareto.uab.es/mcreel/Econometrics/econometrics.pdf

Taylor poseen un carcter inherentemente local; funcionando bien

en un

entorno pequeo (de tamao desconocido) de un punto especfico.

En la literatura han surgido varias alternativas que han intentado mejorar (no
sin dificultades) los problemas de la reducida dimensin de la regin regular de
los modelos Taylor-flexibles (tambin denominados modelos localmente
flexibles. Entre ellas destacan las propuestas hechas por Barnett (1983);
Gallant (1981;1982); o Diewert y Wales (1987;1988).
Barnett (1983) propone el uso de aproximaciones de Laurent en lugar de las
tradicionales de Taylor debido a que las primeras producen errores (de
aproximacin) con un comportamiento global mucho menos voltil que el de las
segundas. De hecho; sus trabajos muestran que la forma Minflex-Laurent (que
resulta de restringir algunos parmetros de la aproximacin original); an sin
ser globalmente regular; da lugar a sistemas de demanda con regiones de
regularidad mucho ms amplias que las derivadas de aproximaciones de
Taylor.
La aproximacin completa de Laurent a la funcin

( x ) que utiliza Barnett

(1983) se escribe en notacin matricial como:

( x ) = * ( ) = a o + 2a ' + ' A 2b' ' B + R( )

Donde = (wi ) =

x1 , x 2 ,..., x n ; == 1 , 1 ,..., 1 y R( ) es el error

wn
w1 w2

de la aproximacin; y donde se supone que las matrices de los parmetros

[ ]

[ ]

A = a ij y B = bij son simtricas. La aproximacin Minflex-Laurent se obtiene

al imponer las restricciones b = 0 ; bii = 0 sobre la matriz B y a ij 0 y bij 0 para

i j sobre las matrices A y B. Por otro lado; cuando el vector b y las matrices
A y B son nulas; la expresin anterior da lugar a la funcin LeontiefGeneralizado (Diewert; 1971).

En Diewert y Wales (1987) se utiliza la misma base de expansin (MinflexLaurent) que en los trabajos anteriores; dando lugar a un modelo que ellos
denominan Barnett-Generalizado. El modelo es completamente regular; pero
slo localmente cuasi-flexible; lo que supone limitar sensiblemente el rango de
inferencias que se deriva de dicho modelo.

Forma Flexible de Fourier (FFF)

Gallant (1981;1982) introdujo una forma funcional con capacidades muy
distintas a las propuestas hasta el momento; cuyas propiedades de flexibilidad
eran en todos los casos locales. La forma de Fourier que utiliza Gallant posee
la propiedad de flexibilidad global; es decir; permite aproximar arbitrariamente
cerca tanto a la funcin como a sus derivadas sobre todo el dominio de
definicin de las mismas. La idea que subyace en este tipo de aproximaciones
(que podran denominarse semi-no-paramtricas) es ampliar el orden de la
base de expansin; cuando el tamao de la muestra aumenta; hasta conseguir
la convergencia asinttica de la funcin aproximante a la verdadera funcin
generadora de los datos y a sus derivadas.
Por tratarse de una forma Sobolev-flexible22 (frente a la Diewert-flexibilidad de
las anteriores) es capaz de estimar consistentemente las elasticidades precio y
renta sobre todo el espacio de datos (ElBadawi; Gallant y Souza; 1983);
adems;

asintticamente

pueden

conseguirse

contrastes

estadsticos

insesgados (Gallant; 1981; 1982) y la eliminacin del problema de inferencias

aumentadas provocado por la especificacin de un determinado modelo. Por
ltimo; Gallant y Souza (1991) han mostrado la normalidad asinttica de las
estimaciones derivadas de la forma de Fourier.
En la parte negativa; el modelo de Fourier puede conseguir la regularidad
global; pero las restricciones paramtricas que ello implica son excesivamente

22

Para consultar la norma Sebolev:

http://pareto.uab.es/mcreel/Econometrics/econometrics.pdf

fuertes (Gallant; 1981); sin embargo; existen condiciones ms dbiles (que no

destruyen ni la flexibilidad ni la consistencia de los estimadores) con las que se
puede conseguir la regularidad terica al menos sobre un conjunto finito de
puntos (Gallant y Golub; 1983); aunque la implemenntacin de tales
restricciones resulta compleja (McFadden; 1985).
En cualquier caso; las simulaciones de Monte Carlo realizadas por Fleissig;
Kastens

y Terrell (1997) y Chalfant y Gallant (1985) han mostrado que la

regin de regularidad de la forma de Fourier libre -sin restricciones de ningn

tipo- es mucho mayor que la correspondiente a las formas LeontiefGeneralizada o Translog.
Un polinomio de Fourier viene dado por la expresin:

a k
+ (u j cos( jwo t ) + v j sin ( jwo t ))
2 j =1
Donde k es el nmero de ciclos tericos o armnicos que consideramos; siendo
el mximo n/2.
w0 =

2
es la frecuencia fundamental (tambin denominada frecuencia angular
n

fundamental).
t toma los valores enteros comprendidos entre 1 y n (es decir; t = 1; 2; 3; ...n).
Los coeficientes de los armnicos vienen dados por las expresiones:
a 2 n
2 n
2 n
= y i , u j = ( yi cos(w0 t i j )), v j = y i sin (wo t i j )
2 n i =1
n i =1
n i =1

La aproximacin a una funcin no peridica g (x) por una serie de expansin de

Fourier se realiza en Gallart (1981) aadiendo es esta un trmino lineal y
cuadrtico. De esta forma que la aproximacin univariada se escribe como:

J
1
g ( x / ) = a + bx + cx 2 + 2 u j cos( jx ) v j s sin ( jx ) (1)
2
j =1

El vector de parmetros es = (a, b, c, u1v1 ,..., u J , v J ) de longitud K = 3 + 2 J ;

siendo J n .
Suponiendo que los datos siguieran el modelo yi = g ( xi ) + ei para i=1;2;;n
estimariamos por mnimos cuadrados; minimizando

( n ) [y g
n

s n ( ) = 1

i =1

(xi / )]2

Considerando 0 la solucin al problema de minimizacin anterior; podramos

obtener diferentes soluciones mnimocuadrticas para g (x) ; considerando
diferentes valores de n y K y elegir aquel de ellos que mejor aproxime; g (x) ;
(d / dx) g ( x) ; y (d 2 / dx 2 ) g ( x) . La norma de Sobolev permite evaluar dichos

errores de aproximacin.
La expresin de la primera y segunda derivada de la funcin (1) son las
siguientes:

D x g ( x / ) = b + cx + ( u j sin ( jx ) v j cos( jx )) j (2)

J

j =1

D x2 g ( x / ) = c + ( u j cos( jx ) + v j sen( jx )) j 2 (3)

J

j =1

Dado que la variable exgena xi no esta expresada en forma peridica; debe

de transformase o normalizarse en un intervalo de longitud menor que 2 ;

[0,2 ] .

Ejemplo 16

Siguiendo a Gallant (1981) vamos a estimar una forma de flexibilidad global

para la funcin g ( x) = ln( x + 1) ; g ( x) = ln( x + 1) ; utilizando 50 observaciones de
xt para un intervalo comprendido entre [0,01;6] .
Tabla nV.1
g ( x ) = ln( x + 1 )

X
0;01
0;13
0;25
0;37
0;49
0;61
0;73
0;85
0;97
1;09
1;21
1;33
1;45
1;57
1;69
1;81
1;93
2;05
2;17
2;29
2;41
2;53
2;65
2;77
2;89

g ( x ) = ln( x + 1 )

0;01
0;12
0;22
0;31
0;4
0;48
0;55
0;62
0;68
0;74
0;79
0;85
0;9
0;94
0;99
1;03
1;08
1;12
1;15
1;19
1;23
1;26
1;29
1;33
1;36

3;01
3;13
3;25
3;37
3;49
3;61
3;73
3;85
3;97
4;09
4;21
4;33
4;45
4;57
4;69
4;81
4;93
5;05
5;17
5;29
5;41
5;53
5;65
5;77
5;89

1;39
1;42
1;45
1;47
1;5
1;53
1;55
1;58
1;6
1;63
1;65
1;67
1;7
1;72
1;74
1;76
1;78
1;8
1;82
1;84
1;86
1;88
1;89
1;91
1;93

La aproximacin utilizada es la descrita en (1) con una nica variable

dependiente; y se utilizan 7 armnicos. Los regresores y el resultado de la
estimacin mnimo cuadrtica de (1) aparecen en la tabla adjunta:
Tabla nV.2 Resultados y regresores utilizadas para la aproximacin FFF de la
funcin ln( x + 1)

0;01

x2

COS (x)

SENO(x)

COS(2x)

SENO(2x)

COS(3x)

SENO(3x)

COS(4x)

SENO(4x)

COS(5x)

SENO(5x)

COS(6x)

SENO(6x)

COS(7x)

SENO(7x)

1;000

0;010

1;000

0;020

1;000

0;030

0;999

0;040

0;999

0;050

0;998

0;060

0;998

0;070

g (x / )
0;010

x2

COS (x)

SENO(x)

COS(2x)

SENO(2x)

COS(3x)

SENO(3x)

COS(4x)

SENO(4x)

COS(5x)

SENO(5x)

COS(6x)

SENO(6x)

COS(7x)

SENO(7x)

g (x / )

0;13

0;01

0;992

0;130

0;966

0;257

0;925

0;380

0;868

0;497

0;796

0;605

0;711

0;703

0;614

0;790

0;122

0;25

0;03

0;969

0;247

0;878

0;479

0;732

0;682

0;540

0;841

0;315

0;949

0;071

0;997

-0;178

0;984

0;223

0;37

0;07

0;932

0;362

0;738

0;674

0;445

0;896

0;091

0;996

-0;276

0;961

-0;605

0;797

-0;852

0;524

0;315

0;49

0;12

0;882

0;471

0;557

0;830

0;101

0;995

-0;379

0;925

-0;770

0;638

-0;980

0;200

-0;959

-0;284

0;399

0;61

0;19

0;820

0;573

0;344

0;939

-0;256

0;967

-0;764

0;645

-0;996

0;091

-0;869

-0;495

-0;428

-0;904

0;476

0;73

0;27

0;745

0;667

0;111

0;994

-0;580

0;814

-0;976

0;220

-0;874

-0;487

-0;326

-0;945

0;387

-0;922

0;548

0;85

0;36

0;660

0;751

-0;129

0;992

-0;830

0;558

-0;967

-0;256

-0;446

-0;895

0;378

-0;926

0;945

-0;327

0;615

0;97

0;47

0;565

0;825

-0;361

0;933

-0;973

0;230

-0;740

-0;673

0;137

-0;991

0;895

-0;447

0;874

0;485

0;678

1;09

0;59

0;462

0;887

-0;572

0;820

-0;992

-0;128

-0;345

-0;939

0;673

-0;740

0;967

0;254

0;222

0;975

0;737

1;21

0;73

0;353

0;936

-0;751

0;661

-0;883

-0;469

0;127

-0;992

0;973

-0;231

0;560

0;829

-0;578

0;816

0;793

1;33

0;88

0;238

0;971

-0;886

0;463

-0;661

-0;750

0;571

-0;821

0;933

0;359

-0;126

0;992

-0;993

0;115

0;846

1;45

1;05

0;121

0;993

-0;971

0;239

-0;355

-0;935

0;886

-0;465

0;568

0;823

-0;749

0;663

-0;748

-0;663

0;896

1;57

1;23

0;001

1;000

-1;000

0;002

-0;002

-1;000

1;000

-0;003

0;004

1;000

-1;000

0;005

-0;006

-1;000

0;944

1;69

1;43

-0;119

0;993

-0;972

-0;236

0;350

-0;937

0;888

0;459

-0;561

0;828

-0;755

-0;656

0;741

-0;672

0;990

1;81

1;64

-0;237

0;972

-0;888

-0;460

0;658

-0;753

0;576

0;817

-0;931

0;366

-0;135

-0;991

0;995

0;103

1;033

1;93

1;86

-0;352

0;936

-0;753

-0;658

0;881

-0;473

0;134

0;991

-0;975

-0;223

0;552

-0;834

0;587

0;810

1;075

2;05

2;1

-0;461

0;887

-0;575

-0;818

0;991

-0;133

-0;339

0;941

-0;678

-0;735

0;965

-0;263

-0;211

0;977

1;115

2;17

2;35

-0;564

0;826

-0;364

-0;931

0;974

0;225

-0;735

0;678

-0;145

-0;989

0;899

0;438

-0;869

0;495

1;154

2;29

2;62

-0;659

0;752

-0;132

-0;991

0;833

0;554

-0;965

0;262

0;439

-0;899

0;387

0;922

-0;949

-0;316

1;191

2;41

2;9

-0;744

0;668

0;107

-0;994

0;584

0;812

-0;977

-0;214

0;870

-0;494

-0;317

0;948

-0;397

-0;918

1;227

2;53

3;2

-0;819

0;574

0;341

-0;940

0;261

0;965

-0;768

-0;641

0;997

0;084

-0;864

0;504

0;418

-0;908

1;261

2;65

3;51

-0;882

0;472

0;554

-0;832

-0;096

0;995

-0;385

-0;923

0;775

0;632

-0;982

-0;191

0;955

-0;295

1;295

2;77

3;84

-0;932

0;363

0;736

-0;677

-0;440

0;898

0;084

-0;996

0;283

0;959

-0;612

-0;791

0;857

0;515

1;327

2;89

4;18

-0;969

0;249

0;876

-0;482

-0;728

0;685

0;535

-0;845

-0;308

0;951

0;061

-0;998

0;189

0;982

1;358

3;01

4;53

-0;991

0;131

0;966

-0;260

-0;923

0;385

0;865

-0;502

-0;791

0;612

0;704

-0;710

-0;605

0;796

1;389

3;13

4;9

-1;000

0;012

1;000

-0;023

-0;999

0;035

0;999

-0;046

-0;998

0;058

0;998

-0;069

-0;997

0;081

1;418

3;25

5;28

-0;994

-0;108

0;977

0;215

-0;948

-0;320

0;907

0;420

-0;857

-0;516

0;796

0;606

-0;726

-0;688

1;447

3;37

5;68

-0;974

-0;226

0;897

0;441

-0;774

-0;633

0;611

0;792

-0;416

-0;909

0;199

0;980

0;028

-1;000

1;475

3;49

6;09

-0;940

-0;341

0;767

0;642

-0;502

-0;865

0;176

0;984

0;170

-0;985

-0;497

0;868

0;763

-0;646

1;502

x2

COS (x)

SENO(x)

COS(2x)

SENO(2x)

COS(3x)

SENO(3x)

COS(4x)

SENO(4x)

COS(5x)

SENO(5x)

COS(6x)

SENO(6x)

COS(7x)

SENO(7x)

g (x / )

3;61

6;52

-0;892

-0;451

0;592

0;806

-0;165

-0;986

-0;298

0;954

0;697

-0;717

-0;946

0;325

0;991

0;137

1;528

3;73

6;96

-0;832

-0;555

0;384

0;923

0;193

-0;981

-0;705

0;709

0;980

-0;198

-0;925

-0;379

0;559

0;829

1;554

3;85

7;41

-0;759

-0;651

0;153

0;988

0;526

-0;850

-0;953

0;303

0;921

0;390

-0;446

-0;895

-0;244

0;970

1;579

3;97

7;88

-0;676

-0;737

-0;086

0;996

0;792

-0;610

-0;985

-0;171

0;540

0;842

0;255

-0;967

-0;885

0;466

1;603

4;09

8;36

-0;583

-0;812

-0;320

0;947

0;956

-0;292

-0;795

-0;607

-0;030

1;000

0;829

-0;559

-0;937

-0;348

1;627

4;21

8;86

-0;482

-0;876

-0;536

0;844

0;998

0;064

-0;425

-0;905

-0;589

0;808

0;992

0;127

-0;366

-0;930

1;651

4;33

9;37

-0;373

-0;928

-0;722

0;692

0;912

0;411

0;041

-0;999

-0;942

0;335

0;662

0;749

0;448

-0;894

1;673

4;45

9;9

-0;259

-0;966

-0;865

0;501

0;708

0;706

0;498

-0;867

-0;967

-0;256

0;004

1;000

0;965

-0;263

1;696

4;57

10;4

-0;142

-0;990

-0;960

0;281

0;414

0;910

0;842

-0;539

-0;653

-0;757

-0;657

0;754

0;840

0;543

1;717

4;69

11

-0;022

-1;000

-0;999

0;045

0;067

0;998

0;996

-0;089

-0;112

-0;994

-0;991

0;134

0;156

0;988

1;739

4;81

11;6

0;097

-0;995

-0;981

-0;194

-0;289

0;957

0;925

0;381

0;469

-0;883

-0;833

-0;553

-0;631

0;776

1;759

4;93

12;2

0;216

-0;976

-0;907

-0;422

-0;607

0;794

0;644

0;765

0;886

-0;464

-0;262

-0;965

-0;999

0;048

1;780

5;05

12;8

0;331

-0;944

-0;781

-0;625

-0;848

0;529

0;219

0;976

0;993

0;117

0;439

-0;898

-0;702

-0;712

1;800

5;17

13;4

0;442

-0;897

-0;610

-0;793

-0;980

0;197

-0;257

0;966

0;754

0;657

0;923

-0;386

0;062

-0;998

1;820

5;29

14

0;546

-0;838

-0;404

-0;915

-0;987

-0;161

-0;674

0;739

0;251

0;968

0;948

0;318

0;784

-0;620

1;839

5;41

14;6

0;642

-0;766

-0;175

-0;985

-0;867

-0;499

-0;939

0;344

-0;340

0;941

0;503

0;864

0;985

0;170

1;858

5;53

15;3

0;730

-0;684

0;064

-0;998

-0;636

-0;772

-0;992

-0;128

-0;811

0;585

-0;192

0;981

0;531

0;847

1;876

5;65

16

0;806

-0;592

0;300

-0;954

-0;323

-0;946

-0;820

-0;572

-1;000

0;024

-0;792

0;611

-0;276

0;961

1;895

5;77

16;6

0;871

-0;491

0;518

-0;855

0;031

-1;000

-0;464

-0;886

-0;839

-0;544

-0;998

-0;062

-0;900

0;436

1;913

5;89

17;3

0;924

-0;383

0;706

-0;708

0;381

-0;924

-0;002

-1;000

-0;385

-0;923

-0;709

-0;705

-0;925

-0;380

1;930

La representacin grfica de los resultados obtenidos aparece en la figura

siguiente:

2,5

1,5
g(x)=ln(x+1)
FFF_MCO
1

0,5

0
0

En la Tabla nV.3 figuran los coeficientes obtenidos en la estimacin MCO de la

expansin de Gallant(1981):
Tabla nV.3.- Coeficientes utilizados en la aproximacin FFF de la funcin
ln( x + 1)
Coeficientes
X

x2

COS2(x)
SENO (x)
COS (2x)
SENO (2x)
COS (3x)
SENO (3x)
COS (4x)
SENO (4x)
COS (5x)
SENO (5x)
COS (6x)
SENO (6x)
COS (7x)
SENO (7x)
Constante

COEFICIENTE
VARIANZA
0;8255
0;0063
-0;1639
0;0021
0;1709
0;0042
0;0931
0;0009
0;0279
0;001
0;0171
0;0004
0;009
0;0004
0;005
0;0002
0;0037
0;0002
0;0016
0;0002
0;0017
0;0001
0;0005
0;0001
0;0008
0;0001
0;0001
0;0001
0;0004
0
0
0;0001
-0;214
0;0058

Ejemplo 17
Vamos a estimar una forma de flexibilidad global para el PIB trimestral de
Espaa; en ndices de volumen ajustados a estacionalidad y calendario; y
utilizando como regresor los puestos de trabajo equivalentes a tiempo
completo; todas las series estn obtenidas de la Contabilidad Nacional
Trimestral de Espaa del INE.
Tabla nV.4.- Contabilidad Nacional Trimestral Base 2000. Datos corregidos de
estacionalidad y calendario.

Puestos
de
trabajo
equivalentes a
tiempo
Producto
completo
interior bruto

Puestos
de
trabajo
equivalentes a
tiempo
Producto
completo
interior bruto

1995TI

12974

81;35

2001TIII

16290

104;12

1995TII

13027

81;62

2001TIV

16333

104;79

1995TIII

13043

81;85

2002TI

16354

105;25

1995TIV

13036

82;28

2002TII

16530

106;14

1996TI

13021

82;75

2002TIII

16702

106;79

1996TII

13123

83;44

2002TIV

16608

107;62

1996TIII

13310

84;14

2003TI

16763

108;61

1996TIV

13358

84;68

2003TII

16871

109;33

1997TI

13458

85;57

2003TIII

17108

110;02

1997TII

13630

86;36

2003TIV

17053

111;03

1997TIII

13756

87;35

2004TI

17230

111;81

1997TIV

13828

88;69

2004TII

17291

112;71

1998TI

13974

89;5

2004TIII

17574

114;01

1998TII

14186

90;35

2004TIV

17524

114;8

1998TIII

14391

91;43

2005TI

17646

115;85

1998TIV

14481

92;24

2005TII

17874

116;93

1999TI

14655

93;14

2005TIII

18225

117;93

1999TII

14869

94;56

2005TIV

18136

119;02

1999TIII

15026

95;99

2006TI

18280

120;14

1999TIV

15132

97;08

2006TII

18493

121;41

2000TI

15360

98;56

2006TIII

18702

122;48

2000TII

15592

99;65

2006TIV

18692

123;83

2000TIII

15867

100;36

2007TI

18887

125;04

2000TIV

15859

101;44

2007TII

19080

126;21

2001TI

15972

102;51

2007TIII

19253

127;13

2001TII

16106

103;17

2007TIV

19148

128;14

Fuente: INE

La aproximacin utilizada es la descrita en (1) con la variable dependiente

transformada en un intervalo menor a 2 utilizando la siguiente funcin de
transformacin x =

2 X
. En la ecuacin se utilizan 7 parmetros; la
max( X )

constante; el parmetro asociado a x ; el asociado a x

y los parmetros

asociados a los dos primeros armnicos. El resultado de la estimacin mnimo

cuadrtica de (1) aparecen en la Tabla nIV.5.
Tabla nV.5. Resultados y regresores utilizados en la expansin FFF del PIB.
x2

COS (x)

SENO(x)

COS(2x)

SENO(2x)

g(x / )

4;2340

17;9271

-0;4603

-0;8878

-0;5762

0;8173

81;645

4;2513

18;0739

-0;4449

-0;8956

-0;6042

0;7969

82;087

4;2566

18;1183

-0;4402

-0;8979

-0;6124

0;7905

82;22

4;2543

18;0989

-0;4423

-0;8969

-0;6088

0;7933

82;162

4;2494

18;0572

-0;4466

-0;8947

-0;601

0;7992

82;038

4;2827

18;3413

-0;4166

-0;9091

-0;6529

0;7575

82;875

4;3437

18;8677

-0;3604

-0;9328

-0;7402

0;6724

84;356

4;3594

19;004

-0;3457

-0;9383

-0;7609

0;6488

84;725

4;392

19;2896

-0;3149

-0;9491

-0;8016

0;5978

85;48

4;4481

19;7858

-0;2612

-0;9653

-0;8636

0;5043

86;735

4;4892

20;1534

-0;2213

-0;9752

-0;9021

0;4316

87;622

4;5127

20;3649

-0;1983

-0;9801

-0;9213

0;3888

88;118

4;5604

20;7972

-0;1514

-0;9885

-0;9541

0;2993

89;101

4;6296

21;433

-0;0827

-0;9966

-0;9863

0;1649

90;486

4;6965

22;0569

-0;0159

-0;9999

-0;9995

0;0318

91;79

4;7259

22;3337

0;0135

-0;9999

-0;9996

-0;0269

92;357

4;7826

22;8736

0;0702

-0;9975

-0;9901

-0;14

93;446

4;8525

23;5465

0;1396

-0;9902

-0;961

-0;2765

94;789

4;9037

24;0464

0;1902

-0;9818

-0;9277

-0;3734

95;785

4;9383

24;3868

0;224

-0;9746

-0;8996

-0;4366

96;466

5;0127

25;1273

0;2958

-0;9552

-0;825

-0;5652

97;958

5;0884

25;8921

0;3672

-0;9301

-0;7303

-0;6832

99;525

5;1782

26;8134

0;4491

-0;8935

-0;5966

-0;8026

101;453

5;1756

26;7864

0;4468

-0;8946

-0;6008

-0;7994

101;396

5;2124

27;1695

0;4795

-0;8776

-0;5402

-0;8415

102;21

5;2562

27;6273

0;5174

-0;8558

-0;4647

-0;8855

103;191

5;3162

28;2621

0;5678

-0;8232

-0;3552

-0;9348

104;566

5;3302

28;4115

0;5793

-0;8151

-0;3288

-0;9444

104;891

5;3371

28;4847

0;5849

-0;8111

-0;3159

-0;9488

105;05

5;3945

29;101

0;6305

-0;7762

-0;205

-0;9788

106;397

5;4507

29;7098

0;673

-0;7396

-0;0941

-0;9956

107;73

5;42

29;3763

0;65

-0;7599

-0;155

-0;9879

107

5;4706

29;9272

0;6876

-0;7261

-0;0544

-0;9985

108;206

5;5058

30;3141

0;7128

-0;7014

0;0161

-0;9999

109;05

5;5832

31;1718

0;7648

-0;6442

0;1699

-0;9855

110;909

5;5652

30;9717

0;7531

-0;6579

0;1345

-0;9909

110;477

COS (x)

SENO(x)

COS(2x)

g(x / )

SENO(2x)

5;623

31;6179

0;7899

-0;6133

0;2478

-0;9688

111;864

5;6429

31;8422

0;8019

-0;5974

0;2861

-0;9582

112;341

5;7352

32;8931

0;8536

-0;5209

0;4573

-0;8893

114;538

5;7189

32;7061

0;845

-0;5348

0;428

-0;9038

114;152

5;7587

33;1631

0;8656

-0;5007

0;4985

-0;8669

115;093

5;8332

34;0256

0;9004

-0;435

0;6216

-0;7834

116;835

5;9477

35;3751

0;9443

-0;3292

0;7832

-0;6217

119;491

5;9187

35;0305

0;9343

-0;3565

0;7458

-0;6662

118;819

5;9656

35;589

0;95

-0;3122

0;805

-0;5932

119;908

6;0352

36;4232

0;9694

-0;2455

0;8795

-0;476

121;533

6;1034

37;2511

0;9839

-0;1789

0;936

-0;3519

123;171

6;1001

37;2113

0;9833

-0;1821

0;9337

-0;358

123;091

6;1637

37;9917

0;9929

-0;1192

0;9716

-0;2366

124;686

6;2267

38;7721

0;9984

-0;0564

0;9936

-0;1127

126;372

6;2832

39;4784

128;013

6;2489

39;049

0;9994

-0;0343

0;9977

-0;0685

127

La representacin grfica de los resultados obtenidos aparece en la figura

siguiente.

135

125

115

105

95

85

19
95
19 TI
96
19 TI
97
19 TI
98
19 TI
99
20 TI
00
20 TI
01
20 TI
02
20 TI
03
20 TI
04
20 TI
05
20 TI
06
20 TI
07
TI

75

Aproximacin FFF
PIB (IV)

A continuacin figuran los coeficientes obtenidos en la estimacin MCO de la

expansin de Fourier:
Tabla nV.6. Coeficientes estimados en la aproximacin FFF del PIB.
coeficientes

COEFICIENTE VARIANZA

SENO (2X)

25;7726

48;4461

COS (2X)

30;509

27;1992

SENO (x)

-452;1873

644;8903

COS(x)

153;4978

389;0007

x2

163;5181

267;6648

-1623;8053

2811;5767

3691;2378

6689;6026

Constante

La aproximacin FFF multivariada

La aproximacin multivariada se describe en Gallant (1984):

g ( x / ) = u o + b' x +

)]

A
J

1
x' Cx + u 0 + 2 m j cos jk' z + n j sin jk' z
2
=1
j =1

Donde; x es un vector de Nx1 variables; b es un vector de Nx1 coeficientes;

C es una matriz simtrica de de NxN coeficientes; z es un vector Nx1 de

valores transformados de x ; m j y n j son coeficientes; k' = k x1 , k x2 ,..., k x N son

multi-ndices; vectores de 1xN elementos que representan a la derivadas
parciales de una funcin de produccin de Fourier para los diferentes tipos de
expansin.

Dado que las variable exgenas no estn expresada en forma peridica; deben
de transformase o normalizarse en un intervalo de longitud menor que 2 .
Fulginiti et all (2003) sugieren transformar el vector de variables x definiendo

l i = ln ai + ln xi > 0 ; i = 1,2,..., N

a i = Min{ln xi } + 10 5

donde

entonces el valor de las variable transformada sera:

z it = jk' (ln at + ln xt )

siendo

2
max{l i : i = 1,2,..., N }

donde es valor positivo arbitrario y pequeo; si bien se recomienda escoger:

6
max{l i : i = 1,2,..., N }

La forma flexible que aproxima a una ecuacin con tres variables exgenas; y
j=1 sera:

Yt = 0 + bi xit +
i =1

3
3
1 3
2
c
x
+
cik xit x kt +
ii ii
2 i =1
i =1 k >1
3

+ [mt cos( z t ) + nt sin ( z t )] + [mik cos( z it z kt ) + nik sin ( z it z kt )]

i =1 k >1

+ [mik 1 cos( z it z it z t ) + nik 1 sin ( z it z kt z t )]

i =1 k > i
3

+ [mik 2 cos( z it z it + z t ) + nik 2 sin ( z it z kt + z t )]

i =1 k > i

Es habitual en este tipo de trabajos incluir una tendencia temporal como

variable exgena; en cuyo caso la forma flexible sera23:

Yt = 0 + bi xit +
i =1

3
3
3
1 3
1
2
2
c
x
+
c
x
x
+
b
t
+
b
t
+
bit xit t
ii ii

ik it kt
t
tt
2 i =1
2
i =1 k >1
i =1
3

+ [mt cos( z t ) + nt sin (z t )] + [mik cos( z it z kt ) + nik sin ( z it z kt )]

i =1 k >1

+ [mik 1 cos( z it z it z t ) + nik 1 sin ( z it z kt z t )]

i =1 k > i
3

+ [mik 2 cos( z it z it + z t ) + nik 2 sin ( z it z kt + z t )]

i =1 k > i

Ejemplo 18
Partiendo de las cifras del PIB a precios bsicos; empleo y Stock de Capital de
la economa espaola; se va a estimar de una funcin de produccin para la
economa espaola.
Tabla nV.7. Capital (mill. de euros ao 2000); Empleo (miles) y PIB (mill. de
euros ao 2000)

1.971
1.972
1.973
1.974
1.975
1.976
1.977
1.978

23

Capital
neto real
Aproximacin
(millones) Empleo PIB
FFF
243.448 12.743 265.269
265.664
262.107 12.878 286.886
285.827
284.333 13.194 309.231
310.323
307.959 13.262 326.605
324.996
328.363 13.028 328.376
330.521
346.791 12.889 339.225
339.164
363.943 12.786 348.855
348.988
379.636 12.443 353.957
351.632

Carbo S. y Rodriguez F. (2005) estiman una funcin de coste para el sector bancario
espaol utilizando tres variables explicativas cuya especificacin puede consultarse
en: www.revecap.com/encuentros/anteriores/viieea/autores/R/26.doc

1.979
1.980
1.981
1.982
1.983
1.984
1.985
1.986
1.987
1.988
1.989
1.990
1.991
1.992
1.993
1.994
1.995
1.996
1.997
1.998
1.999
2.000
2.001
2.002
2.003
2.004
2.005
2.006
2.007
2.008
2.009
2.010

393.268
406.561
417.897
429.637
440.562
448.413
459.117
474.688
496.304
523.763
559.321
597.434
635.839
668.924
691.947
715.836
744.264
769.988
799.170
835.577
878.412
923.074
968.182
1.011.559
1.056.437
1.103.659
1.157.349
1.217.898
1.284.160
1.344.152
1.380.015
1.413.146

12.176
11.901
11.590
11.483
11.429
11.156
11.350
11.509
12.029
12.433
12.860
13.322
13.450
13.241
12.852
12.788
13.020
13.203
13.668
14.258
14.921
15.670
16.176
16.549
16.949
17.405
17.970
18.564
19.090
18.988
17.733
17.281

354.106
358.712
358.079
363.686
371.759
377.213
387.067
399.453
421.987
443.768
464.793
482.179
493.115
496.504
490.728
501.775
515.405
527.862
548.284
572.782
599.966
630.263
653.255
670.920
691.695
714.291
740.108
769.850
797.367
804.223
774.285
771.809

354.800
357.626
358.447
365.732
373.518
375.094
386.409
399.784
422.312
443.197
463.993
483.305
493.370
495.461
493.235
499.432
514.710
529.070
549.004
572.497
599.656
628.414
652.736
673.418
693.443
713.723
738.021
768.513
801.090
802.123
774.089
772.304

Fuente: CNE-INE y Series de Stock de capital fijo del BBVA

Las series de PIB y Empleo se han construido enlazando las cifras de la serie
1995-2009 de la CNE del INE Base 2000; y la serie histrica de contabilidad
nacional Base 1986.
La ecuacin utilizada para la aproximacin es la siguiente:

ln Yt = 0 + b1 ln K t + b2 ln Et + b11 (ln K t ) + b22 (ln Et ) + b12 ln K t ln Et

2

+ [m1 cos(k t ) + n1 sin (k t )] + [m2 cos(et ) + n2 sin (et )] + [m11 cos(2k t ) + n11 sin (2k t )]
+ [m22 cos(2et ) + n22 sin (2et )] + [m121 cos(k t + et ) + n121 sin (k t + et )]

Los coeficientes estimados por MCO seran:

Tabla nV.8. Coeficientes estimados en la aproximacin FFF del PIB.

y=
x
z
x2
z2
x*z
cos(x)
sen(x)
cos(z)
sen(z)
cos(2*x)
sen(2*x)
cos(2*z)
sen(2*z)
cos(x+z)
sen(x+z)

parmetro t
-112,85
-8,29
23,71
1,89
-0,14
-2,03
-0,01
0,01
0,10
0,06
-0,01
0,01
0,02
-0,06
0,02
0,04

-1,76
-0,90
5,45
4,69
-1,29
-3,70
-0,20
0,79
2,10
2,53
-2,37
0,81
3,15
-6,59
1,24
2,45

F =3;57
R2 =0;99989
Grados de libertad 22

Los resultados de la aproximacin se han representado en la figura siguiente:

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07

900000
800000
700000
600000
500000
400000
300000
200000
100000
0

PIB

PIB*

En las aproximaciones de la FFF descritas aparece el efecto Gibbs en los

extremos inicial y final de la serie; ya que ambos extremos constituyen las
discontinuidades de las series a aproximar.

Aproximacin FFF utilizando funciones paramtricas.

La aproximacin FFF multivariada de Gallant (1981,1983) presenta dificultades

prcticas ya que precisa de una gran cantidad de datos para ser estimada por
los mtodos convencionales, la reduccin de grados de libertad que ocasiona
el utilizar secuencias de series de senos y cosenos en una regla de difcil
aplicacin prctica, puede solventarse parametrizando los ngulos que
determinan la relacin polar en un eje de tres dimensiones.

Se denominan ecuaciones paramtrica a aquellas ecuaciones en que las

variables X e Y, cada una separadamente, estn expresadas en funcin de la
misma tercera variable, t, a la que se denomina variable paramtrica, estas
ecuaciones se representan en la siguiente forma general:

 X = u (t )

Y = v(t )

Una ecuacin paramtrica permite representar curvas o superficies en el plano

o en el espacio, mediante valores arbitrarios (parmetros). En el uso estndar
del sistema de coordenadas, una o dos variables
utilizan

dos

tres

dimensiones

(dependiendo de si se

respectivamente)

son

consideradas

como variables independientes, mientras que la restante, a la que se denomina

variable dependiente, toma un valor en funcin de los valores que toman las
variable(s) independiente(s). As por ejemplo la expresin de un punto
cualquiera ( x, y ) equivale a la expresin ( x, f ( x)) .
Esta representacin tiene la limitacin de requerir que la curva sea una funcin
de X en Y, es decir que todos los valores X tengan un valor y slo un valor
correspondiente en Y, y no todas las curvas cumplen con dicha condicin. En
una ecuacin paramtrica, tanto X como Y son considerados variables
dependientes, cuyo resultado surge de una tercera variable (sin representacin
grfica) conocida como parmetro, lo que la representacin de funciones
circulares en donde un valor de X puede dar lugar a dos valores de Y.
2
Por ejemplo, en la ecuacin Y = X , una parametrizacin tendr la

X = u (t )

forma Y = v(t ) , por lo que una parametrizacin posible sera

X =t

2
Y = t

Una circunferencia con centro en el origen de coordenadas y radio r verifica

X = r cos t

2
2
2
X
+
Y
=
r
que
, y una expresin paramtrica sera Y = r sin t
La representacin paramtrica de una curva en un espacio n-dimensional
consiste por tanto en n funciones de una variable t que acta como variable
independiente o parmetro (habitualmente se considera que t es un nmero
real y que los puntos del espacio n-dimensional estn representados
por n coordenadas reales), de la forma ei = f i (t ), f i : [a, b] ,

donde ei representa la i-sima coordenada del punto generado al asignar

valores del intervalo [a, b] a t. Por ejemplo, para representar una curva en el
espacio se usan 3 funciones X = u (t ) , Y = v(t ) y Z = g (t ) .
Es comn que se exija que el intervalo [a, b] sea tal que a cada punto
a y < b le corresponda un punto distinto de la curva; si las coordenadas del

punto obtenido al hacer t = a son las mismas del punto correspondiente a t =

b la curva se denomina cerrada.
Se dice que un punto de la curva correspondiente a un valor t del intervalo es
un punto ordinario si las derivadas de las funciones paramtricas existen en y
son continuas en ese punto y al menos una es distinta de 0. Si un arco de
curva est compuesto solamente de puntos ordinarios se denomina suave.
Es comn resumir las ecuaciones paramtricas de una curva en una sola
ecuacin vectorial
n
r
r (t ) = f i (t )ei = f1 (t )e1 + f 2 (t )e2 + ... f n (t )en
i =1

donde ei representa al vector unitario correspondiente a la coordenada i-sima.

Por ejemplo, las funciones paramtricas de un crculo unitario con centro en el
origen son x = cos t, y = sen t. Podemos reunir estas ecuaciones como una sola
ecuacin de la forma
r
r (t ) = cos(t )i + sin(t ) j

Una superficie parametrizada en 3 es la imagen de una funcin continua S

definida en una regin D 2 que toma valores en 3 , esto es,

S : (u , v) D 2 S (n, v) = ( x(u, v), y (u , v), z (u, v) ) 3

Las variables independientes de la funcin

S se llaman parmetros de la

superficie y la propia funcin S recibe el nombre de parametrizacin de la

superficie. La imagen por S de la frontera de la regin D se llama borde o
contorno de la superficie. Si S es inyectiva, lo que significa que no hay puntos
dobles, entonces se dice que la superficie es simple.

Dadas n observaciones de la variables aleatorias xt N x , y2 .

x1

x2
xt = .

.
x
n

A cada observacin (t , xt ) le corresponde un punto Pt en el eje cartesiano, de

forma que

P1 (1, x1 ); P2 (2, x 2 );.....Pn (n, x n )

que a su vez, se hace corresponder con una forma polar rt para cada par

(t , xt ) , siendo:
x
rt = t 2 + xt2 y t = ArcTg t
t
Dado que Pt (t , xt ) = t + ixt = (rr cos xt ) + i (rr sin xt ) , se obtiene que xt = rt sin( t ) o

xt = tg ( t ) t
Si se estima la variable aleatoria t , a partir de una expansin FFF de la forma:
n

2
t 2
t 2
t 2 2 (t 2
1
+ 2
t = o + 1
+ ct cos
+ ct sin
n
n
n
n
t =1
2

(n 1) si n es impar.

J
1
g ( t / ) = a + b t + c t2 + 2 u j cos( j t ) v j s sin ( j t )
2
j =1

si n es par, y

La funcin xt = tg ( t ) t quedara parametrizada en funcin de t

Ejemplo 19
Utilizando el empleo equivalentes a tiempo completo de la CNE de Espaa
para el periodo 1971-201124, vamos a construir dicha serie temporal a partir de
la representacin en armnicos del ciclo emprico del argumento, es decir de

y t = tg ( t ) t
siendo
n

2
t 2
t 2
t 2 2 (t 2
1
+ 2
t = o + 1
+ ct cos
+ ct sin

n
n
n
n , si n es par, y
t =1
2

(n 1) si n es impar.

En la Tabla nV.9 figuran los clculos realizados para obtener la serie

radianes:

24

Para disponer de esta serie se han enlazado las series de contabilidad nacional 1971-1997 base 86;
1995-2009 base 2000 y 2009-2011 elaborada con la base 2008. El enlace se ha realizado utilizando como
coeficiente de enlace C =

L86
1995
2000
L1995

Tabla nV.9. Empleo equivalente a tiempo completo. 1971-2011. Miles.

Empleo equivalente
total (x)

t/x

1971

12.743

12742,72

1,5707

1,5707

7491

1972

12.878

6439,10

1,5706

1,5706

10969

1973

13.194

4398,00

1,5706

1,5706

12534

1974

13.262

3315,56

1,5705

1,5705

13154

1975

13.028

2605,59

1,5704

1,5704

13300

1976

12.889

2148,23

1,5703

1,5703

13210

1977

12.786

1826,50

1,5702

1,5703

13013

1978

12.443

1555,40

1,5702

1,5702

12775

1979

12.176

1352,93

1,5701

1,5701

12537

1980

11.901

10

1190,13

1,5700

1,5700

12317

1981

11.590

11

1053,60

1,5698

1,5699

12127

1982

11.483

12

956,88

1,5698

1,5698

11974

1983

11.429

13

879,12

1,5697

1,5697

11861

1984

11.156

14

796,83

1,5695

1,5696

11788

1985

11.350

15

756,68

1,5695

1,5695

11756

1986

11.509

16

719,32

1,5694

1,5694

11765

1987

12.029

17

707,57

1,5694

1,5694

11815

radianes radianes FFF

Empleo equivalente
total (FFF)

1988

12.433

18

690,72

1,5693

1,5693

11905

1989

12.860

19

676,84

1,5693

1,5692

12034

1990

13.322

20

666,12

1,5693

1,5692

12202

1991

13.450

21

640,46

1,5692

1,5691

12408

1992

13.241

22

601,86

1,5691

1,5691

12651

1993

12.852

23

558,77

1,5690

1,5690

12929

1994

12.788

24

532,81

1,5689

1,5690

13241

1995

13.020

25

520,79

1,5689

1,5690

13584

1996

13.203

26

507,80

1,5688

1,5689

13954

1997

13.668

27

506,22

1,5688

1,5689

14348

1998

14.258

28

509,21

1,5688

1,5689

14761

1999

14.921

29

514,50

1,5689

1,5689

15185

2000

15.670

30

522,32

1,5689

1,5689

15613

2001

16.176

31

521,79

1,5689

1,5689

16036

2002

16.549

32

517,14

1,5689

1,5689

16444

2003

16.949

33

513,60

1,5688

1,5688

16828

2004

17.405

34

511,90

1,5688

1,5688

17175

2005

17.970

35

513,43

1,5688

1,5688

17477

2006

18.564

36

515,67

1,5689

1,5688

17724

2007

19.090

37

515,93

1,5689

1,5687

17908

2008

18.988

38

499,69

1,5688

1,5687

18026

2009

17.733

39

454,68

1,5686

1,5686

18073

2010

17.281

40

432,02

1,5685

1,5686

18052

2011

16.988

41

414,33

1,5684

1,5685

17965

Teniendo en cuenta el peridograma de la serie t radianes que se representa

a continuacin se ha estimado la siguiente aproximacin de Fourier:

t = 1,57044 0,00028

t 2
t 2
+ 0.00014 cos

n 1
n 1
Espectro de v1
aos

41.0

10.3

5.9

4.1

3.2

2.6

2.2

9e-007

8e-007

7e-007

6e-007

5e-007

4e-007

3e-007

2e-007

1e-007

0
0

10

15

20

frecuencia escalada

La representacin del argumento en radianes y la tendencia calculada

aparecen en la figura siguiente:

1,5710
1,5705
1,5700
g radianes

1,5695

g radianes FFF

1,5690
1,5685

2010

2007

2004

2001

1998

1995

1992

1989

1986

1983

1980

1977

1974

1971

1,5680

La representacin de la serie de empleos equivalentes a tiempo completo

estimada se recoge en la figura siguiente:

21.000
19.000
17.000
Empleo equivalente total (x)

15.000

Empleo equivalente total (FFF)

13.000
11.000

2011

2007

2003

1999

1995

1991

1987

1983

1979

1975

1971

9.000

2
Tenemos ahora n observaciones de dos variables aleatorias xt N x , x

yt N y , y2

).

 x1
y1


x2
y2
xt = . y t = .


.
.
x
y
n
n

A cada observacin ( xt , y t ) le corresponde un punto Pt en el eje cartesiano, de

forma que

P1 ( x1 , y1 ); P2 ( x 2 , y 2 );.....Pn ( x n , y n )

que su vez, se hace corresponder un forma polar

rt

para cada par ( xt , y t ) ,

siendo:

t = ArcTg t
rt = x + y
xt
y
2
t

2
t

= +
=
+

Dado que Pt ( xt , y t ) xt iy t (rt cos t ) i (rt sen t ) ,se obtiene que:

xt = rt cos( t ) , yt = rt sin( t ) e y t = tg ( t ) xt .
La

variable

aleatoria

xt

puede

parametrizase

y t = tg ( t ) tg (t ) t
Las ecuaciones paramticas seran entonces:

xt = tg ( t ) t

y t = tg ( t ) tg ( t ) t

entonces

como

Estimndose los ngulos

t con la forma general:

n

2
t 2
t 2
t 2
1
+ 2
t = o + 1
+ ct cos
n
n
n
t =1
2

2 (t 2
+ ct sin

si n es par, y

(n 1) si n es impar.

Ejemplo 20
Utilizamos ahora las cifras de Empleo a tiempo completo y PIB en euros
constantes de la CNE (Tabla nV.10).

Tabla nV.10.- Producto Interior Bruto en euros constantes del ao 2000 y

Empleo equivalente a tiempo completo. 1971-2011. Millones de euros y miles
de empleos.

Producto
Interior
Bruto
(euros
Empleo
ao
equivalente
y/x
2000)
total (x)

Producto
Interior
radianes Bruto
radianes FFF
(FFF)

1971

265.269

12.743

20,8173 1

1,5228

1,5231

266.947

1972

286.886

12.878

22,2769 2

1,5259

1,5256

284.980

1973

309.231

13.194

23,4372 3

1,5282

1,5279

307.676

1974

326.605

13.262

24,6267 4

1,5302

1,5299

324.464

1975

328.376

13.028

25,2055 5

1,5311

1,5316

332.525

1976

339.225

12.889

26,3181 6

1,5328

1,5331

341.336

1977

348.855

12.786

27,2852 7

1,5342

1,5343

349.795

1978

353.957

12.443

28,4458 8

1,5357

1,5353

350.876

1979

354.106

12.176

29,0815 9

1,5364

1,5364

353.714

1980

358.712

11.901

30,1406 10 1,5376

1,5374

356.395

1981

358.079

11.590

30,8967 11 1,5384

1,5384

358.012

1982

363.686

11.483

31,6728 12 1,5392

1,5394

365.742

1983

371.759

11.429

32,5287 13 1,5401

1,5403

374.506

1984

377.213

11.156

33,8138 14 1,5412

1,5410

374.572

1985

387.067

11.350

34,1023 15 1,5415

1,5416

388.528

1986

399.453

11.509

34,7076 16 1,5420

1,5420

399.700

1987

421.987

12.029

35,0819 17 1,5423

1,5423

422.393

1988

443.768

12.433

35,6927 18 1,5428

1,5426

440.941

1989

464.793

12.860

36,1429 19 1,5431

1,5429

461.096

1990

482.179

13.322

36,1933 20 1,5432

1,5433

484.146

1991

493.115

13.450

36,6637 21 1,5435

1,5437

496.796

1992

496.504

13.241

37,4979 22 1,5441

1,5442

498.088

1993

490.728

12.852

38,1838 23 1,5446

1,5447

492.466

1994

501.775

12.788

39,2394 24 1,5453

1,5451

498.272

1995

515.405

13.020

39,5862 25 1,5455

1,5455

514.164

1996

527.862

13.203

39,9814 26 1,5458

1,5457

526.306

1997

548.284

13.668

40,1144 27 1,5459

1,5459

547.990

1998

572.782

14.258

40,1727 28 1,5459

1,5459

573.464

1999

599.966

14.921

40,2106 29 1,5459

1,5460

601.276

2000

630.263

15.670

40,2223 30 1,5459

1,5460

632.564

2001

653.255

16.176

40,3855 31 1,5460

1,5461

654.389

2002

670.920

16.549

40,5424 32 1,5461

1,5461

671.263

2003

691.695

16.949

40,8111 33 1,5463

1,5462

689.686

2004

714.291

17.405

41,0401 34 1,5464

1,5463

711.073

2005

740.108

17.970

41,1855 35 1,5465

1,5465

738.260

2006

769.850

18.564

41,4701 36 1,5467

1,5467

769.017

2007

797.367

19.090

41,7699 37 1,5469

1,5470

800.561

2008

804.223

18.988

42,3538 38 1,5472

1,5474

809.929

2009

774.285

17.733

43,6643 39 1,5479

1,5478

772.540

2010

771.809

17.281

44,6624 40 1,5484

1,5484

770.578

2011

775.034

16.988

45,6238 41 1,5489

1,5489

774.112

Tendiendo en cuenta el espectro de la serie

t radianes , se calcula la

siguiente expansin FFF:

t 2
t 2
t 2
t 2
t 4
t 6
0.0021
+ 0.0003 cos
+ 0,0013sin
+ 0,0003sin
+ 0,0003sin

n 1
n

1
n

1
n

1
n

n 1
2

t = 1,5201 + 0,0110

Espectro de v1
aos
41.0

10.3

5.9

4.1

3.2

2.6

2.2

7e-005

6e-005

5e-005

4e-005

3e-005

2e-005

1e-005

0
0

10
frecuencia escalada

15

20

La estimacin de la serie

t radianes a partir de la expansin FFF se

representa en la figura siguiente:

1,5600
1,5550
1,5500
1,5450
1,5400
1,5350
1,5300
1,5250

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

1,5200

a radianes

a radianes FFF

La estimacin del PIB en euros constantes a partir del empleo aparece en la

figura siguiente:

800.000
700.000
600.000
500.000
400.000
300.000
200.000
100.000

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

Producto Interior Bruto (euros ao 2000)

Producto Interior Bruto (FFF)

Se considera ahora la relacin

yt = F ( xt , zt ) en donde x t y z t actan como

variables explicativas. En este caso las relaciones geomtricas a considerar

son las que aparecen en la figura adjunta:

Se parte ahora de la representacin polar entre cada x t y z t . que vendr dada

por un modulo

rt = x + z
2
t

2
t

t = ArcTg t
xt . de forma que se
y un argumento

puede construir un nuevo plano entre el modulo rt la variable dependiente y t .

Dado que el modulo rt puede tener un valor diferente segn se cambie el nivel
de la variable parece aconsejable normalizar dichas variables.

En consecuencia ahora tenemos dos variables

rt e y t cuya representacin
y

t = ArcTg t
= rt + y
rt .
polar tendr a su vez un mdulo t
y un argumento
2

Operando

2
t

t = xt2 + zt2 + yt2

Las representacin polar del sistema vendra dada a partir de:

2
2
yt = t sen( t ) e yt = tg ( t ) xt + zt (1)

rt = t cos( t )

Dado que z t = tg ( t ) xt , entonces

yt = tg ( t ) xt2 + [tg ( t )xt ]t = xt

2

[tg ( t )]2 + [tg ( t ) tg ( t )]2

x
t = ArcTg t
2
zt . entonces
por otro lado y dado que

yt = z t

[tg ( t )]

+ tg ( t ) tg t
2

considerando tanto la sucesin de ngulos t y t como series de Fourier, se

puede afirmar que el conjunto de datos ( x t , y t , z t ), puede parametrizarse en
funcin de una de ellas cualesquiera, y t .
Supongamos que en nuestro conjunto de datos la dimensin xt , es exgena,
entonces:

y = x
t
t
Siendo

xt = xt
z t = tg ( t ) xt

[tg ( t )]2 + [tg ( t ) tg ( t )]2 (2)

2
t 2
t 2
t 2 2 (t 2
1
+ 2
t = o + 1
+ ct cos
+ ct sin
n
n
n
n
t =1
2

2
t 2
t 2
t 2
(t 2
+ 2
t = o + 1
+ bt cos
+ ct sin
n
n
n
n
t =1
2

La parametrizacin sobre la dimensin

yt = zt

zt :

zt = zt
z t = tg (

[tg ( t )]

t )x
2

+ tg ( t ) tg t
2

(3)

Por ltimo, la parametrizacin sobre y t

yt = yt
yt

xt =
[tg ( t )]2 + [tg ( t ) tg ( t )]2

yt
zt =
2

2
[tg ( t )] + tg ( t ) tg t

(4)

Ejemplo 21
En el ejemplo 18 planteamos una estimacin de la funcin de produccin de la
economa espaola utilizando los datos de empleo equivalente a tiempo
completo, el Producto Interior Bruto de la CNE, valorada est ltima en euros
constantes y el Stock neto de de capital de la Fundacin del BBVA valorada en
miles de euros constantes base 2000, y sin considerar el valor de la vivienda
(ver Tabla nV7).

La estimacin de la funcin de produccin se puede abordar restringiendo

alguna de las tres variables, esto es si se restringe el Empleo equivalente
estaramos en un modelo de funcin de produccin en el que esta magnitud
estara limitando la produccin nacional y lo consideraramos exgeno a la
funcin de produccin, si restringimos el stock de capital sera este otro factor
de produccin el limitativo y por tanto sera exgeno, si restringimos el PIB
estaramos ante un modelo en el que la demanda agregada limitara el PIB y
este ltimo establecera la cantidad de empleo y stock capital necesaria para
alcanzar el volumen anual de produccin, en este caso el PIB sera la variable
exgena al modelo.

En primer lugar hay que aproximar las trayectorias temporales de los ngulos

t y t .

Tabla nV.11. Empleo equivalente a tiempo completo, Producto Interior Bruto

de la s y el Stock neto de de capital en logaritmos y su representacin polar.

Empleo
Producto equivalentes
Interior

Bruto

completo

tiempo Stock

de

Capital

radianes

FFF

radianes

1971

12,4885

9,4527

12,4027

15,5942

0,6753

0,6755

0,9196

1972

12,5668

9,4633

12,4765

15,6594

0,6763

0,6761

0,9219

1973

12,6418

9,4875

12,5579

15,7389

0,6767

0,6764

0,9238

1974

12,6965

9,4927

12,6377

15,8058

0,6767

0,6765

0,9266

1975

12,7019

9,4749

12,7019

15,8465

0,6757

0,6764

0,9299

1976

12,7344

9,4642

12,7565

15,8839

0,6758

0,6761

0,9325

1977

12,7624

9,4561

12,8048

15,9179

0,6758

0,6758

0,9347

1978

12,7769

9,4289

12,8470

15,9358

0,6758

0,6754

0,9377

1979

12,7774

9,4072

12,8822

15,9514

0,6754

0,6752

0,9401

1980

12,7903

9,3844

12,9155

15,9649

0,6754

0,6751

0,9424

1981

12,7885

9,3579

12,9430

15,9716

0,6752

0,6752

0,9448

1982

12,8040

9,3486

12,9707

15,9886

0,6752

0,6754

0,9463

1983

12,8260

9,3439

12,9958

16,0062

0,6755

0,6758

0,9474

1984

12,8406

9,3197

13,0135

16,0065

0,6761

0,6761

0,9493

1985

12,8664

9,3370

13,0371

16,0357

0,6762

0,6763

0,9493

1986

12,8979

9,3509

13,0704

16,0709

0,6763

0,6765

0,9498

1987

12,9527

9,3950

13,1149

16,1328

0,6765

0,6764

0,9492

1988

13,0031

9,4281

13,1688

16,1959

0,6765

0,6761

0,9494

1989

13,0493

9,4619

13,2345

16,2689

0,6760

0,6757

0,9501

1990

13,0861

9,4972

13,3004

16,3431

0,6752

0,6751

0,9507

1991

13,1085

9,5067

13,3627

16,3994

0,6743

0,6745

0,9524

1992

13,1153

9,4911

13,4134

16,4317

0,6736

0,6739

0,9550

1993

13,1036

9,4612

13,4473

16,4421

0,6729

0,6733

0,9577

1994

13,1259

9,4562

13,4812

16,4670

0,6730

0,6729

0,9591

1995

13,1527

9,4742

13,5202

16,5093

0,6727

0,6726

0,9596

1996

13,1766

9,4882

13,5541

16,5451

0,6725

0,6724

0,9601

1997

13,2145

9,5228

13,5913

16,5954

0,6725

0,6723

0,9596

1998

13,2583

9,5651

13,6359

16,6562

0,6723

0,6722

0,9591

1999

13,3046

9,6105

13,6859

16,7232

0,6720

0,6720

0,9586

2000

13,3539

9,6595

13,7355

16,7919

0,6718

0,6718

0,9579

2001

13,3897

9,6913

13,7832

16,8492

0,6715

0,6716

0,9580

2002

13,4164

9,7141

13,8270

16,8982

0,6710

0,6712

0,9584

2003

13,4469

9,7379

13,8704

16,9474

0,6707

0,6708

0,9587

2004

13,4790

9,7645

13,9141

16,9985

0,6704

0,6704

0,9589

2005

13,5146

9,7965

13,9616

17,0557

0,6701

0,6700

0,9590

2006

13,5540

9,8290

14,0126

17,1162

0,6698

0,6696

0,9591

2007

13,5891

9,8569

14,0656

17,1756

0,6693

0,6692

0,9595

2008

13,5976

9,8516

14,1113

17,2099

0,6687

0,6687

0,9613

2009

13,5597

9,7832

14,1376

17,1925

0,6678

0,6681

0,9655

2010

13,5565

9,7574

14,1613

17,1974

0,6676

0,6674

0,9675

Las aproximaciones FFF se han realizado con las siguientes funciones:

t 2
t 2
t 2
t 2
t 4
t 4
+ 0.0021
0.0051cos
+ 0,0014 sin
0,0017 cos
+ 0,0005 sin
+
n
n
n
n
n

n
t 6
t 6
t 8
t 10
+ 0,0003 cos
0,0002 sin
0,0005 cos
+ 0,0002 sin

n
n
n
n
2

t = 0,9321 + 0,0009

t 2
t 2
t 2
t 2
t 4
t 6
0.0015
0.0009 cos
+ 0,0002 sin
+ 0,0004 cos
+ 0,0003sin

n
n
n
n
n
n
2

t = 0,6720 + 0,0038

Los resultados grficos de las aproximaciones se recogen en las figuras

siguientes:

Serie

t radianes y estimacin FFF

0,9800
0,9700
0,9600
0,9500
0,9400

a radianes

0,9300

a FFF

0,9200
0,9100
0,9000
0,8900
1

7 10 13 16 19 22 25 28 31 34 37 40

Serie t radianes y estimacin FFF

0,6780
0,6760
0,6740
0,6720
0,6700

b radianes

0,6680

b FFF

0,6660
0,6640
0,6620
0,6600
1

7 10 13 16 19 22 25 28 31 34 37 40

La obtencin del modelo que restringe el empleo a tiempo parcial ( xt ) se

calcula en la Tabla nV.12 utilizando el sistema de ecuaciones (2), los
resultados grficos se representan seguido a la tabla.

Tabla nV.12. Parametrizacin del modelo que restringe el empleo a tiempo

completo.

Empleo
FFF

FFF

a Estimacin de Estimacin del

tiempo

Stock

de Producto

completo (x)

Capital

Interior Bruto

1971

0,6755

0,9196

9,4527

12,4031

12,4941

1972

0,6761

0,9216

9,4633

12,4702

12,5573

1973

0,6764

0,9241

9,4875

12,5662

12,6396

1974

0,6765

0,9268

9,4927

12,6433

12,6941

1975

0,6764

0,9295

9,4749

12,6923

12,7139

1976

0,6761

0,9323

9,4642

12,7513

12,7396

1977

0,6758

0,9350

9,4561

12,8129

12,7665

1978

0,6754

0,9376

9,4289

12,8464

12,7666

1979

0,6752

0,9401

9,4072

12,8838

12,7745

1980

0,6751

0,9424

9,3844

12,9151

12,7818

1981

0,6752

0,9445

9,3579

12,9356

12,7848

1982

0,6754

0,9464

9,3486

12,9729

12,8107

1983

0,6758

0,9479

9,3439

13,0072

12,8391

1984

0,6761

0,9489

9,3197

13,0023

12,8333

1985

0,6763

0,9495

9,3370

13,0418

12,8740

1986

0,6765

0,9496

9,3509

13,0644

12,8984

1987

0,6764

0,9494

9,3950

13,1226

12,9552

1988

0,6761

0,9494

9,4281

13,1676

12,9929

1989

0,6757

0,9498

9,4619

13,2259

13,0347

1990

0,6751

0,9509

9,4972

13,3060

13,0880

1991

0,6745

0,9527

9,5067

13,3703

13,1174

1992

0,6739

0,9550

9,4911

13,4124

13,1211

1993

0,6733

0,9572

9,4612

13,4348

13,1076

1994

0,6729

0,9590

9,4562

13,4789

13,1227

1995

0,6726

0,9600

9,4742

13,5327

13,1580

1996

0,6724

0,9601

9,4882

13,5561

13,1744

1997

0,6723

0,9596

9,5228

13,5910

13,2096

1998

0,6722

0,9589

9,5651

13,6301

13,2515

1999

0,6720

0,9583

9,6105

13,6779

13,2997

2000

0,6718

0,9581

9,6595

13,7410

13,3577

2001

0,6716

0,9582

9,6913

13,7893

13,3961

2002

0,6712

0,9584

9,7141

13,8292

13,4230

2003

0,6708

0,9586

9,7379

13,8691

13,4490

2004

0,6704

0,9587

9,7645

13,9089

13,4755

2005

0,6700

0,9588

9,7965

13,9560

13,5091

2006

0,6696

0,9591

9,8290

14,0118

13,5487

2007

0,6692

0,9600

9,8569

14,0788

13,5931

2008

0,6687

0,9617

9,8516

14,1238

13,6067

2009

0,6681

0,9644

9,7832

14,1061

13,5484

2010

0,6674

0,9679

9,7574

14,1749

13,5609

Parametrizacin del stock capital en el modelo que restringe el empleo.

14,5
14,0
13,5
13,0
12,5
12,0

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

11,5

Stock de Capital (z)

Estimacin de Stock de Capital

Parametrizacin del Producto Interior Bruto en el modelo que restringe el

empleo.

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

14,0
13,8
13,6
13,4
13,2
13,0
12,8
12,6
12,4
12,2
12,0

Producto Interior Bruto (y).

Estimacin del Producto Interior Bruto

z
La obtencin del modelo que restringe del stock de capital neto ( t ) se calcula
en la Tabla nV.13 utilizando el sistema de ecuaciones (3), los resultados
grficos se incluyen a continuacin.

Tabla nV.13. Parametrizacin del modelo que restringe el stock de capital

Estimacin

FFF

FFF

Estimacin

Stock

del Empleo del

de

equivalente

Capital

(z)

completo

Producto

tiempo Interior
Bruto

1971

0,6755

0,9196 12,4027

9,4524

12,4936

1972

0,6761

0,9216 12,4765

9,4681

12,5637

1973

0,6764

0,9241 12,5579

9,4812

12,6312

1974

0,6765

0,9268 12,6377

9,4885

12,6885

1975

0,6764

0,9295 12,7019

9,4820

12,7235

1976

0,6761

0,9323 12,7565

9,4680

12,7448

1977

0,6758

0,9350 12,8048

9,4501

12,7583

1978

0,6754

0,9376 12,8470

9,4294

12,7672

1979

0,6752

0,9401 12,8822

9,4061

12,7730

1980

0,6751

0,9424 12,9155

9,3847

12,7822

1981

0,6752

0,9445 12,9430

9,3632

12,7921

1982

0,6754

0,9464 12,9707

9,3470

12,8085

1983

0,6758

0,9479 12,9958

9,3357

12,8279

1984

0,6761

0,9489 13,0135

9,3277

12,8443

1985

0,6763

0,9495 13,0371

9,3336

12,8694

1986

0,6765

0,9496 13,0704

9,3552

12,9044

1987

0,6764

0,9494 13,1149

9,3896

12,9477

1988

0,6761

0,9494 13,1688

9,4290

12,9941

1989

0,6757

0,9498 13,2345

9,4680

13,0432

1990

0,6751

0,9509 13,3004

9,4932

13,0825

1991

0,6745

0,9527 13,3627

9,5013

13,1100

1992

0,6739

0,9550 13,4134

9,4918

13,1221

1993

0,6733

0,9572 13,4473

9,4700

13,1197

1994

0,6729

0,9590 13,4812

9,4578

13,1249

1995

0,6726

0,9600 13,5202

9,4654

13,1458

1996

0,6724

0,9601 13,5541

9,4868

13,1725

1997

0,6723

0,9596 13,5913

9,5231

13,2099

1998

0,6722

0,9589 13,6359

9,5691

13,2571

1999

0,6720

0,9583 13,6859

9,6161

13,3074

2000

0,6718

0,9581 13,7355

9,6556

13,3523

2001

0,6716

0,9582 13,7832

9,6869

13,3901

2002

0,6712

0,9584 13,8270

9,7125

13,4208

2003

0,6708

0,9586 13,8704

9,7389

13,4502

2004

0,6704

0,9587 13,9141

9,7682

13,4805

2005

0,6700

0,9588 13,9616

9,8004

13,5146

2006

0,6696

0,9591 14,0126

9,8296

13,5495

2007

0,6692

0,9600 14,0656

9,8476

13,5803

2008

0,6687

0,9617 14,1113

9,8428

13,5946

2009

0,6681

0,9644 14,1376

9,8050

13,5787

2010

0,6674

0,9679 14,1613

9,7480

13,5479

Parametrizacin del empleo equivalente a tiempo completo en el modelo que

restringe el stock de capital

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

10,0
9,9
9,8
9,7
9,6
9,5
9,4
9,3
9,2
9,1
9,0

Empleo a tiempo completo (x)

Estimacin del Empleo equivalente a tiempo completo

Parametrizacin del Producto Interior Bruto en el modelo que restringe el stock

de capital

13,8
13,6
13,4
13,2
13,0
12,8
12,6
12,4
12,2

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

12,0

Producto Interior Bruto (y).

Estimacin del Producto Interior Bruto

La obtencin del modelo que restringe del Producto Interior Bruto ( y t ) se

calcula en la Tabla nV.14 utilizando el sistema de ecuaciones (4), y se
representan en las figuras que le preceden.

Tabla nV.14. Parametrizacin del modelo que restringe el Producto Interior

Bruto

Estimacin
del Empleo

FFF

FFF

Producto

equivalente

Interior

Estimacin

tiempo de Stock de

Bruto (y). completo

Capital

1971

0,6755

0,9196

12,4885

9,4485

12,3976

1972

0,6761

0,9216

12,5668

9,4705

12,4796

1973

0,6764

0,9241

12,6418

9,4892

12,5685

1974

0,6765

0,9268

12,6965

9,4945

12,6457

1975

0,6764

0,9295

12,7019

9,4659

12,6803

1976

0,6761

0,9323

12,7344

9,4603

12,7461

1977

0,6758

0,9350

12,7624

9,4531

12,8088

1978

0,6754

0,9376

12,7769

9,4366

12,8568

1979

0,6752

0,9401

12,7774

9,4094

12,8867

1980

0,6751

0,9424

12,7903

9,3906

12,9236

1981

0,6752

0,9445

12,7885

9,3606

12,9393

1982

0,6754

0,9464

12,8040

9,3438

12,9662

1983

0,6758

0,9479

12,8260

9,3344

12,9939

1984

0,6761

0,9489

12,8406

9,3250

13,0097

1985

0,6763

0,9495

12,8664

9,3315

13,0340

1986

0,6765

0,9496

12,8979

9,3505

13,0638

1987

0,6764

0,9494

12,9527

9,3932

13,1201

1988

0,6761

0,9494

13,0031

9,4355

13,1779

1989

0,6757

0,9498

13,0493

9,4725

13,2407

1990

0,6751

0,9509

13,0861

9,4958

13,3040

1991

0,6745

0,9527

13,1085

9,5003

13,3612

1992

0,6739

0,9550

13,1153

9,4869

13,4065

1993

0,6733

0,9572

13,1036

9,4584

13,4308

1994

0,6729

0,9590

13,1259

9,4586

13,4822

1995

0,6726

0,9600

13,1527

9,4704

13,5273

1996

0,6724

0,9601

13,1766

9,4897

13,5583

1997

0,6723

0,9596

13,2145

9,5264

13,5961

1998

0,6722

0,9589

13,2583

9,5700

13,6371

1999

0,6720

0,9583

13,3046

9,6141

13,6830

2000

0,6718

0,9581

13,3539

9,6567

13,7371

2001

0,6716

0,9582

13,3897

9,6866

13,7828

2002

0,6712

0,9584

13,4164

9,7093

13,8224

2003

0,6708

0,9586

13,4469

9,7364

13,8670

2004

0,6704

0,9587

13,4790

9,7671

13,9126

2005

0,6700

0,9588

13,5146

9,8004

13,9616

2006

0,6696

0,9591

13,5540

9,8328

14,0172

2007

0,6692

0,9600

13,5891

9,8540

14,0747

2008

0,6687

0,9617

13,5976

9,8450

14,1144

2009

0,6681

0,9644

13,5597

9,7913

14,1178

2010

0,6674

0,9679

13,5565

9,7542

14,1703

Parametrizacin del empleo equivalente a tiempo completo en el modelo que

restringe el Producto Interior Bruto

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

10,0000
9,9000
9,8000
9,7000
9,6000
9,5000
9,4000
9,3000
9,2000
9,1000
9,0000

Empleo a tiempo completo (x)

Estimacin del Empleo equivalente a tiempo completo

Parametrizacin del stock de capital en el modelo que restringe el Producto

Interior Bruto

14,5000
14,0000
13,5000
13,0000
12,5000
12,0000

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

11,5000

Stock de Capital (z)

Estimacin de Stock de Capital

Ejemplo 22
A travs de la aproximacin FFF de t radianes puede estimarse directamente
el Producto Interior Bruto ( y t ) a partir de (1). Los clculos necesarios se
recogen en la Tabla nV.15.

Tabla nV.15. Estimacin del Producto Interior Bruto a travs de la

aproximacin FFF de

t radianes

Producto
Interior
Bruto
(Ctes).

Empleo a Stock
tiempo
de
completo Capital

FFF

r*tg

FFF
Multivariada

1971

12,4885

9,4527 12,4027

0,6755 15,5942

12,4938

12,4900

1972

12,5668

9,4633 12,4765

0,6761 15,6594

12,5614

12,5631

1973

12,6418

9,4875 12,5579

0,6764 15,7389

12,6342

12,6454

1974

12,6965

9,4927 12,6377

0,6765 15,8058

12,6905

12,6916

1975

12,7019

9,4749 12,7019

0,6764 15,8465

12,7201

12,7084

1976

12,7344

9,4642 12,7565

0,6761 15,8839

12,7430

12,7342

1977

12,7624

9,4561 12,8048

0,6758 15,9179

12,7612

12,7628

1978

12,7769

9,4289 12,8470

0,6754 15,9358

12,7670

12,7703

1979

12,7774

9,4072 12,8822

0,6752 15,9514

12,7735

12,7793

1980

12,7903

9,3844 12,9155

0,6751 15,9649

12,7821

12,7872

1981

12,7885

9,3579 12,9430

0,6752 15,9716

12,7896

12,7895

1982

12,8040

9,3486 12,9707

0,6754 15,9886

12,8092

12,8097

1983

12,8260

9,3439 12,9958

0,6758 16,0062

12,8317

12,8307

1984

12,8406

9,3197 13,0135

0,6761 16,0065

12,8406

12,8349

1985

12,8664

9,3370 13,0371

0,6763 16,0357

12,8709

12,8647

1986

12,8979

9,3509 13,0704

0,6765 16,0709

12,9023

12,8987

1987

12,9527

9,3950 13,1149

0,6764 16,1328

12,9502

12,9535

1988

13,0031

9,4281 13,1688

0,6761 16,1959

12,9937

13,0018

1989

13,0493

9,4619 13,2345

0,6757 16,2689

13,0403

13,0476

1990

13,0861

9,4972 13,3004

0,6751 16,3431

13,0844

13,0884

1991

13,1085

9,5067 13,3627

0,6745 16,3994

13,1125

13,1090

1992

13,1153

9,4911 13,4134

0,6739 16,4317

13,1218

13,1132

1993

13,1036

9,4612 13,4473

0,6733 16,4421

13,1157

13,1087

1994

13,1259

9,4562 13,4812

0,6729 16,4670

13,1242

13,1212

1995

13,1527

9,4742 13,5202

0,6726 16,5093

13,1498

13,1514

1996

13,1766

9,4882 13,5541

0,6724 16,5451

13,1731

13,1789

1997

13,2145

9,5228 13,5913

0,6723 16,5954

13,2098

13,2159

1998

13,2583

9,5651 13,6359

0,6722 16,6562

13,2553

13,2578

1999

13,3046

9,6105 13,6859

0,6720 16,7232

13,3049

13,3041

2000

13,3539

9,6595 13,7355

0,6718 16,7919

13,3541

13,3510

2001

13,3897

9,6913 13,7832

0,6716 16,8492

13,3921

13,3889

2002

13,4164

9,7141 13,8270

0,6712 16,8982

13,4216

13,4201

2003

13,4469

9,7379 13,8704

0,6708 16,9474

13,4498

13,4494

2004

13,4790

9,7645 13,9141

0,6704 16,9985

13,4789

13,4782

2005

13,5146

9,7965 13,9616

0,6700 17,0557

13,5128

13,5117

2006

13,5540

9,8290 14,0126

0,6696 17,1162

13,5492

13,5522

2007

13,5891

9,8569 14,0656

0,6692 17,1756

13,5845

13,5937

2008

13,5976

9,8516 14,1113

0,6687 17,2099

13,5986

13,5950

2009

13,5597

9,7832 14,1376

0,6681 17,1925

13,5688

13,5594

2010

13,5565

9,7574 14,1613

0,6674 17,1974

13,5521

13,5571

En la ltima columna de la tabla se ha realizado una aproximacin a una FFF

con dos variables (Gallant, 1981,1982) con el procedimiento descrito en el
ejemplo 11. Este tipo de aproximacin tienen el inconveniente que necesitan
muchas variable explicativas.
Los resultados grficos de ambas expansiones se representan junto a la serie
original en las figuras siguientes, en la primera se recogen los niveles de las
series y en la segunda las diferencia en las series, que al venir expresadas en
logaritmos adquieren el significado de tasa de crecimiento anuales.

Aproximacin al Producto Interior Bruto, utilizando una funcin parametrizada y

la FFF multivariada.

19
71
19
74
19
77
19
80
19
83
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10

13,8000
13,6000
13,4000
13,2000
13,0000
12,8000
12,6000
12,4000
12,2000
12,0000

Producto Interior Bruto.

r*tg(b)

FFF Multivariada

Diferencias logartmicas del Producto Interior Bruto, utilizando una funcin

parametrizada y FFF multivariada.

0,1
0,08
0,06
0,04
0,02
0
19
72
19
75
19
78
19
81
19
84
19
87
19
90
19
93
19
96
19
99
20
02
20
05
20
08

-0,02
-0,04
-0,06

Producto Interior Bruto.

r*tg(b)

FFF Multivariada

Los resultados son muy similares, si bien el error cuadrtico medio de la

aproximacin FFF Multivariada es menor (0,003845 frente a 0,0014638).

TEMA VI.- REGRESION ARMONICA.

Introduccin
La aplicacin de la forma de Fourier a los modelos de series temporales ha
dado lugar a los modelos de regresin armnica.
Una regresin armnica dinmica es una particularizacin del conjunto de
modelos de componentes no observables que adopta la siguiente forma:
R

x(t ) = ai cos ( it ) + bi sin ( i t ) + t ; t = 1, 2,..., N (1)

i =0

donde vt es un residuo con la forma de un proceso estacionario; que puede ser

representado por un modelo ARMA; ai ; bi y i son parmetros desconocidos.
El nmero de armnicos R se puede considerarse conocido o desconocido;
existiendo diferentes procedimientos para determinar el nmero de armnicos a
considerar en el mtodo de estimacin. Una vez se establece el nmero de
armnicos y se determinan las frecuencias i ; se realiza una regresin para
obtener una estimacin de los parmetros ai y bi . A partir de esta regresin se
obtiene el residuo vt; y se procede a identificar y estimar un modelo ARMA para

vt .
El problema esta entonces en determinar el nmero de armnicos R y las
frecuencias i . Existiendo para ello cinco procedimientos25:

25

Para mayor detalle consultar Artis M., Clavel J.G., Hoffmann M. y Nachane D. (2007) Harmonic Regression

Models: A Comparative Review with Applications. Institute for Empirical Research in Economics. University of Zurich.
Working Paper Series .September 2007 SSRN-Harmonic Regression Models: A Comparative Review with Applications
by Michael Artis, Jos Clavel, Mathias Hoffmann, DILIP NACHANE

1- Los mtodos basados en el periodograma o la transformada discreta de

fourier (TDF) (Wittle (1952); Walter (1973); Hannan (1973); Campbell y
Walter (1977)).
2- Los mtodos del espectro mixto (Priestley (1964;1981) y Bhansali
(1979)).
3- Los mtodos autoregresivos (Marple; (1987); Troung Vans (1990)).
4- Mtodos de autovalores (Pisarenko (1973) y Kay Marple (1981)).
5- Mtodos de regresin dinmica (Young; Pedregal y Tych; 1999).

Mtodos basados en el periodograma.

Los mtodos basados en el periodograma; proporcionan estimaciones de las
frecuencias i cuando se asume que vt es un error gausiano.
En cuyo caso el modelo de regresin armnica anteriormente descrito se
asemeja al obtenido partir de

la aproximacin univariada en la forma de

Gallant (81;82); para el caso particular en donde x=t.

J
1
g ( t / ) = a + b t + c t2 + 2 u j cos( j t ) v j s sin ( j t ) (2)
2
j =1

Donde t =

2 t
; el vector de parmetros es = (a, b, c, u1v1 ,..., u J , v J ) de
T 1

longitud K = 3 + 2 J ; siendo J n .

Ejemplo 23
Utilizando datos de los puestos de trabajo de la Contabilidad Nacional
Trimestral de Espaa (Tabla nVI.1); se pretende estimar un modelo de
regresin armnica; utilizando los
anterior.

procedimientos descritos en el apartado

Tabla nVI.1.- Puestos de trabajo equivalentes a tiempo completo. Espaa

1995TI
1995TII
1995TIII
1995TIV
1996TI
1996TII
1996TIII
1996TIV
1997TI
1997TII
1997TIII
1997TIV
1998TI
1998TII
1998TIII
1998TIV
1999TI
1999TII
1999TIII
1999TIV
2000TI
2000TII
2000TIII
2000TIV
2001TI
2001TII

12.974
13.027
13.043
13.036
13.021
13.123
13.310
13.358
13.458
13.630
13.756
13.828
13.974
14.186
14.391
14.481
14.655
14.869
15.026
15.132
15.360
15.592
15.867
15.859
15.972
16.106

2001TIII
2001TIV
2002TI
2002TII
2002TIII
2002TIV
2003TI
2003TII
2003TIII
2003TIV
2004TI
2004TII
2004TIII
2004TIV
2005TI
2005TII
2005TIII
2005TIV
2006TI
2006TII
2006TIII
2006TIV
2007TI
2007TII
2007TIII
2007TIV

16.290
16.333
16.354
16.530
16.702
16.608
16.763
16.871
17.108
17.053
17.230
17.291
17.574
17.524
17.646
17.874
18.225
18.136
18.280
18.493
18.702
18.692
18.887
19.080
19.253
19.148

Fuente: . Contabilidad Nacional Trimestral Base 2000. INE.

En primer lugar obtenemos una tendencia cuadrtica; y definimos la serie de

ciclo emprico como diferencia entre el empleo y la tendencia cuadrtica
calculada.

20000
19000
18000
17000
16000
15000
14000
13000
12000

empleo

2007TIV

2007TI

2006TII

2005TIII

2004TIV

2004TI

2003TII

2002TIII

2001TIV

2001TI

2000TII

1999TIII

1998TIV

1998TI

1997TII

1996TIII

1995TIV

1995TI

y = -0,0943x 2 + 135,07x + 12463

Polinmica (empleo)

A continuacin obtenemos el periodograma o espectro de Fourier de la serie

del ciclo emprico de los puestos de trabajo de la CNE; en la que observamos
como dominantes los armnicos de frecuencia 2 y 13; que corresponden con
los ciclos de 6;5 aos y de 4 meses.

Tabla nVI.2. Peridograma de los Puestos de trabajo equivalentes a tiempo

completo. Espaa.

Frecuencia Periodo
1
52
2
26
3
17;3
4
13
5
10;4
6
8;7
7
7;4
8
6;5
9
5;8
10
5;2
11
4;7
12
4;3

I (w p ) =

T a 2p + b p2

4
97.124
1.271.162
43.935
30.814
55.447
18.406
27.946
33.012
11.135
25.418
3.233
3.762

ap
-44;8839
172;5818
11;68
22;5298
5;4648
8;9678
11;529
-24;6934
-11;3012
-17;3912
-7;0126
2;041

bp
-19;0674
-36;6115
30;6486
15;7129
36;4387
19;2418
23;4809
14;0904
12;0382
17;8862
5;475
9;3782

13
14
15
16
17
18
19
20
21
22
23
24
25
26

4
3;7
3;5
3;3
3;1
2;9
2;7
2;6
2;5
2;4
2;3
2;2
2;1
2

145.365
29.981
17.997
28.661
3.673
8.698
14.945
8.364
8.104
5.931
9.875
905
18.164
27.241

-33;2122
-25;2479
-14;8858
-15;3284
-3;4292
-14;5876
-18;6105
-13;3873
-11;8068
-10;1339
-14;3231
-4;4452
-8;548
-25;8263

-49;5608
9;8311
14;8012
21;6059
8;8415
-0;4207
4;4264
-5;0579
7;6833
-6;5204
6;0527
-1;5507
-19;279
0

Utilizamos entonces; una especificacin para la aproximacin FFF de la

siguiente forma:
x(t / ) = a + bt + ct 2 + u 2 cos( w2 t ) + v3 sin( w2 t ) + u13 cos( w13t ) + v13 sin( w13t )

La estimacin mnimo cuadrtica de dicha funcin ofrece los siguientes

resultados:

Tabla nVI.3. Coeficientes de la aproximacin FFF de los Puestos de trabajo

equivalentes a tiempo completo

COEFICIENTES

SENO (13t)

COEFICIENTE

VARIANZA

-44;2734

16;3836

COS (13t)

27;4862

16;6780

SENO (2t)

-27;9863

17;9325

COS(2t)

189;2846

17;1038

t2

Constante

-0;2613

0;0605

142;5817

3;3144

12416;8330

38;3522

La aproximacin realizada aparece en la figura siguiente:

20000
19000
18000
17000
16000
Aproximacin FFF

15000

empleo

14000
13000
12000
11000
2007TI

2006TI

2005TI

2004TI

2003TI

2002TI

2001TI

2000TI

1999TI

1998TI

1997TI

1996TI

1995TI

10000

Mtodo del espectro mixto

El mtodo espectro mixto parte de que el espectro F() puede descomponerse
como:
F()= F1()+ F2()
donde

F1()

es

un

espectro

discreto

(correspondiente

la

suma

trigonomtrica) y F2() es un espectro continuo correspondiente a proceso

ARMA vt.

El modelo (1) se reformula como:

x(t ) = di sin ( it + i ) + t
i =1

donde di; i y R son parmetros desconocidos; y i; es independiente y

regularmente distribuido en (-; ) y vt; es un proceso lineal estacionario con
espectro continuo.
Se prueba la hiptesis nula:H0: Di=0 ; i=1;2;;R contra la alternativa H1: Di0 ;
para algn 1iR. El no rechazar la hiptesis significa que x(t) es un preceso
ARMA estacionario con un espectro continuo.

Para testear H0 Priestley (1981) propuso el test P():

P( ) = fn ( ) fm ( )

donde fn y fm sin dos window del espectro estimado de x(t); obtenidas

truncando la serie por los puntos m y n; donde n>2m; y las frecuencias de
fourier j =

2 j
; j = 0,1,...., N 2 .
N

Si di no es cero; P() puede tener varios picos bien definidos; es decir 1<
2<..<R. La significancia estadstica de estos picos puede testearse; segn
van ocurriendo; usando el estadstico llamado J%q (Priestley; 1981).

Mtodo de la regresin armnica dinmica

El mtodo de la regresin armnica dinmica considera que
R

zt = ait cos ( i t ) + bit sin ( it ) + t (2)

i=0

donde zt representa la serie temporal escalar y vt es ruido blanco de la misma

forma que en (1); i ; i=1;2;;R hace referencia al conjunto de la frecuencia
fundamental y sus harmnicos que contiene la serie temporal; por ltimo ait y bit

son los parmetros variantes en el tiempo (TVP) estocsticos; cuya naturaleza

estocstica sigue un paseo aleatorio generalizado; tal que:

xit +1
* =
xit +1 0

xit wit
+ (3)
xit* wit

donde xit representa cualquiera de los TVPs en (2); x*it es un estado adicional
en el modelo sin una clara interpretacin; en general; ; y son parmetros
adicionales; w it y w*it son ruidos Gaussianos. Este modelo general abarca
casos particulares tanto como otros generalmente usados en la literatura como
el IRW (Integrated Random Walk; = = = 1 ; wit=0); el RW (Random
Walk: = = = 1 ; w*it=0); el LLT (Local Linear Trend: = = = 1) y el DT
(Damped Trend: = = 1).
El modelo (2) puede ser escrito explcitamente en trminos de componentes no
observables; tal que:

zt = Tt + St + vt
donde Tt; St y vt pueden ser interpretados como un trmino de tendencia
estocstica; un componente estacional estocstico y un componente irregular;
respectivamente.
De forma que el sistema puede ser descrito en forma de un espacio de estados
estndar en donde (2) sera la ecuacin de observacin y (3) la ecuacin de
estado.

BIBLIOGRAFA
1. Alvarez N. (1990). Una aproximacin a los ciclos econmicos. Economa
aplicada cuantitativa I. Cuadernos de la UNED. 1990: 143-201.
2. Artis M.; Clavel J.G.; Hoffmann M. y Nachane D. (2007) Harmonic
Regression Models: A Comparative Review with Applications. Institute
for Empirical Research in Economics. University of Zurich. Working
Paper Series .September 2007 SSRN-Harmonic Regression Models: A
Comparative Review with Applications by Michael Artis; Jos Clavel;
Mathias Hoffmann; DILIP NACHANE
3. Ashley, Richard A. (1984), A Simple Test for Regression Parameter
Instability, Economic Inquiry 22, No. 2, 253-267.
4. Barnett; W. A. (1983). "New Indices of Money Supply and the Flexible
Laurent Demand System." J. Bus. and Econ. Statist. 7-23.
5. Bartlett M.S. (1954); "Problmes de lanalyse spectrale des sries
temporelles stationnaries. Inst. Statist. Univ. Paris 3; 119-34
6. Bartlett M.S. (1966). An introduction to Stochastic Processes; 2 end.
Ed. Cambridge University Press.
7. Berndt; E. R.; and M. S. Khaled (1979). "Parametric Productivity
Measurement and Choice Among Flexible Functional Forms." J. Polit.
Econ. 87.1220-45.
8. Bhansali; R.J. (1979) A Mixed Spectrum Analysis of the Lynx Data;"
Journal of the Royal Statistical Society; Ser. A; 142(2); 199-209.
9. Brunk; H.D. (1962). On the range of the difference between hypothetical
distribution function and Pykes modified empirical distribution function.
Ann. Marh. Statist. 33; 525-32.

10. Campbell; M.J. and Walker; A.M. (1977); \A Survey of Statistical Work on
the Mackenzie River Series of Annual Canadian Lynx Trappings for the
Years 1821-1934 and a New Analysis;" Journal of the Royal Statistical
Society; Ser. A; 140(4); 411-431.
11. Carbo S. y Rodriguez F. (2005): Operaciones fuera de balance y
economas de escala en el sector bancario espaol. Documento de
trabajo:
www.revecap.com/encuentros/anteriores/viieea/autores/R/26.doc
12. Caves; W.; Christensen; L. R. y Tretheway; M. W. (1980): Flexible cost
functions for multiproduct firms. The Review of Economics and
Statistics. N 62; pgs 477-481.
13. Contreras; D y Escolano J (1984): EI anlisis espectral como instrumento
para detectar la estacionalidad. ESTADISTICA ESPAOLA Nm. 104; i
984; pgs. 101 a 144
14. http://www.ine.es/revistas/estaespa/104_6.pdf
15. Chalfant J. y Gallant A. (1985); Estimating substitution elasticities with
the Fourier costs function; some Monte Carlo results; Journal of
Econometrics; 28; 205-222.
16. Christensen; L. R.; D. W. Jorgenson; and L. J. Lau. "Transcendental
Logarithmic Production Frontiers." Rev. Econ. and Statist. 55(1973):2845.
17. De Janvry; A. (1972) "The Generalized Power Function." Amer J. Agr.
Econ. 54. 234-37.
18. Deaton A. y Muellbauer J. (1980); "An Almost Ideal Demand System";
American Economic Review; 70; 312-326
19. Denny; M. (1974). "The Relationship Between Forms of the Production
Function." Can. J. Econ. 7.21-31.

20. Despotakis; K. A. (1986). "Economic Performance of Flexible Functional

Forms." Eur. Econ. Rev. 30.1107-43.
21. Diewert; W. E. (1971). "An Application of the Shephard Duality Theorem:
A Generalized Leontief Production Function." J. Polit. Econ. 79. 481-507.
22. Diewert W. y Wales T. (1987); Flexible Functional Forms and Global
Curvature Conditions; conometrica; 55; No. 1; 43-68.
23. Diewert W. y Wales T. (1988); A Normalized Quadratic Semiflexible
Functional Form; Journal of Econometrics; 37; 327-42.
24. Durbin J. (1969); Test for serial correlation in regresion analisys based
on the periodogram of least squared residuals. Biometrica; vol 56; n1;
(mar-1969); pp 1-15.
25. Engle R. (1972). Band spectrum regression. Working Paper
Department of economics. MIT. N26. November 1972.

26. Elbadawi; I.; A. R. Gallant; and G. Souza. (1983). "An Elasticity Can Be
Estimated Consistently without A Priori Knowledge of Functional Form."
Econometrica 51.1731-51.
27. Fleissig A.; Kastns T. y Terrell D. (1997); Semi-nonparametric estimates
of substitution elasticities; Economics Letters; 54; No. 3; 209-219.
28. Fuss; M.; D. McFadden; and Y. Mundlak. (1978). "A Survey of Functional
Forms in the Economic Analysis of Production." Production Economics:
A Dual Approach toTheory and Applications; ed. M. Fuss and D. McFadden; pp. 219-68. Amsterdam: North-Holland Publishing Co.
29. Gallant; A. R.(1981) "On the Bias in Flexible Functional Forms and an
Essentially Unbiased Form." J. Econometrics 15(1981):211-45.
30. Gallant;

A.

R.

(1982).

"Unbiased

Determination

Technologies." J. Econometrics 20. 285-323.

of

Production

31. Gallant; A. R.(1984) "The Fourier Flexible Form." Amer. J. Agr. Econ.
66(1984):204-15.
32. Gallant A. y Golub G. (1984); Imposing Curvature Restrictions on
Flexible Functional Forms; Journal of Econometrics; 26; 295-321
33. Gonzalez G: Series de Fourier; Transformadas de Fourier y
Aplicaciones; disponible en
www.dmae.upm.es/WebpersonalBartolo/VariableCompleja/VCParteI/9_S
eries_de_Fourier.ppt
34. Griffin R.C.; Montgomery J.M.; and Rister M.E. (1987). Selecting
Functional Form in Production Function. Anlisis Western Journal of
Agricultural Economics; 12(2): 216-227
35. Guilkey D. y Lovell C. (1980); On the Flexibility of the Translog
Approximation; International Economic Review; 21; 137-147.
36. Halter; A. N.; H. O. Carter; and J. G. Hocking. (1957) "A Note on the
Transcendental Production Function." J. Farm Econ. 39. 966-74.
37. Hannan; E. J. (1963); "Regression for Time Series;" in Time Series
Analysis ed. by M. Rosenblatt; John Wiley; 1963.
38. Hannan; E.J.(1971); Non-linear Time Series Regression;" Journal of
Applied Probability; 8; 767-780.
39. Hannan; E.J.(1973); The Asymptotic Theory of Linear Time Series
Models;" Journal of Applied Probability; 10; 130-145.
40. Harvey; A.C. (1978): Linear Regression in Frequency Domain.
International Economic Review 19(2), 507-512.
41. Heady; E. 0.; and J. L. Dillon; eds. (1961). Agricultural Production
Functions. Ames: Iowa State University Press.
42. Hui;T and Ashley R. (1999): An elementary method for detecting and
modelling regression parameter variation across frequencies whit an
application to testing the permanent income hypothesis. Macroeconomic
Dynamics / Volume 3 / Issue 01 / March 1999, pp 69-831999 Cambridge

University

Press.(

http://ashleymac.econ.vt.edu/working_papers/e9702.pdf)
43. Kay; S.M. and Marple; S.L. (1981); Spectrum Analysis - A Modern
Perspective;" Proceedings of the IEEE; 69; 1380-1419.
44. Ladd; G. W. (1979). "Artistic Tools for Scientific Minds." Amer.J. Agr.
Econ. 61.1-11.
45. Lau; L. J. (1978) "Testing and Imposing Monotonicity; Convexity and
Quasi-Convexity Constraints." Production Economics: A Dual Approach
to Theory and Applications; ed. M. Fuss and D. McFadden; pp. 409-53.
Amsterdam: North-Holland Publishing Co.
46. Lilyan E. Fulginiti; Richard K. Perrin and Bingxin Yu (2003): Institution
and agricultural productivity in sub-sahara Africa. 25 International
Conference of Agricultural Economists (IAAE). Durban South Africa.
47. Marple; S. (1987) Digital Spectral Analysis with Applications; PrenticeHall; Englewood Clis; N.J.
48. Martnez M., Gmez L., Serrano J.A., Vila J., Gmez J. (2009): Filtros
Digitales. Curso 2009-2010. Escola Tcnica Superior Inginyeria.
Departament dEnginyeria Electrnica Universidad de Valencia.
49. Melis F. (1991): La Estimacin del ritmo de variacin de las series
econmicas. Estadstica Espaola. Vol 22. Num. 126; 1991; pgs 7 a
56.
50. http://www.ine.es/revistas/estaespa/126_1.pdf
51. McFadden; D. (1963). "Constant Elasticity of Substitution Production
Functions." Rev. Econ. Stud. 30.73-83. Maddala; G. S. Econometrics.
New York: McGraw-Hill Book Co.; 1977.
52. Pyke R. (1959). The supremun and infimum of the Poisson process.
Ann. Math. Statist.30; 568-76.

53. Pisarenko; V.F. (1973); The Retrieval of Harmonics from a Covariance

Function;" Geophysical Journal of Royal Astronomical Society; 33; 347366.
54. Priestley; M.B. (1964); Estimation of the Spectral Density Function in the
Presence of Harmonic Components;" Journal of the Royal Statistical
Society; Ser. B; 26; 123-132.
55. Priestley; M.B. (1981); Spectral Analysis and Time Series; Academic
Press; London.
56. Ramajo J. Avances recientes en el anlisis economtrico de la
demanda .http://eco.unex.es/jramajo/ivcnea.pdf
57. Silberberg; E. (1978). The Structure of Economics: A Mathematical
Analysis. New York: McGraw-Hill Book Co.
58. Truong-Van; B. (1990); A New Approach to Frequency Analysis with
Amplied armonics;" Journal of the Royal Statistical Society; Ser.B; 52(1);
203-221.
59. Tovar B.; Jara-Daz S.; Trujillo L. (2004). Funciones de produccin y
costes y su aplicacin al sector portuario. Una revisin de la literatura
DOCUMENTO

DE

TRABAJO

2004-

06.http://www.fceye.ull.es/new/investigacion/docum/ull-ulpgc/DT200406.pdf
60. Tweeten; L. (1983). "Hypothesis Testing in Economic Science." Amer. J.
Agr. Econ. 65.548-52.
61. Uzawa; H. (1962). "Production Functions with Constant Elasticity of
Substitution." Rev. Econ. Stud. 29.291-99.
62. Villarreal F. (2005): Elementos tericos del ajuste estacional de series
econmicas utilizando X-12-ARIMA y TRAMO-SEATS. Serie 38.
Estudios

estadsticos

prospectivos

Divisin

de

Estadstica

Proyecciones Econmicas.

Santiago de Chile; Diciembre del 2005.

www.eclac.org/publicaciones/xml/9/24099/lcl2457e.pdf
63. Whittle; P. (1952); Tests of Fit in Time Series;" Biometrika; 39; 309-318.
64. White; H. (1980). "Using Least Squares to Approximate Unknown
Regression Functions." Int. Econ. Rev. 21.149-70.
65. Young; P.C.; Pedregal; D.J. and W.Tych (1999); \Dynamic harmonic
regression;" Journal of Forecasting; 18; 369-394.