Curso de Econometria Avanzado

rhjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyu
iopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklz
xcvbnmqwertyuiopasdfghjklzxcvbnmrtyuiopasdfgh
jklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuio
pasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmq
ECONOMETRA CON SERIES DE
wertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzx
FOURIER
Francisco Parra Rodrguez

cvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasd
Doctor en Ciencias Econmicas. UNED
fghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwerty
uiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbn
mqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjk
lzxcvbnmrtyuiopasdfghjklzxcvbnmqwertyuiopasdf
ghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyu
iopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklz
xcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopas
dfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwert
Contenido
TEMA I.- ANALISIS ESPECTRAL...................................................................... 4
Series temporales estacionarias..................................................................... 4
Anlisis espectral............................................................................................ 8
TEMA II.- ESTIMACIN DEL PERIODOGRAMA DE UNAS SERIE ARMONICA
......................................................................................................................... 10
Series de Fourier .......................................................................................... 10
Coeficientes de Fourier................................................................................. 10
Ortogonalidad ............................................................................................... 11
Clculo de los coeficientes Fourier ............................................................... 13
Forma compleja de la serie de Fourier ......................................................... 14
Transformada de Fourier. ............................................................................. 15
Clculo del periodograma. ............................................................................ 16
Teorema de Paserval ................................................................................... 17
Test sobre el periodograma .......................................................................... 18
Calculo del periodograma a travs de la Transformada Discreta de Fourier 26
Efecto Gibbs ................................................................................................. 37
TEMA III.- ANALISIS ARMONICO DE PROCESOS BIVARIANTES................ 42
Proceso bivariante ........................................................................................ 42
Anlisis armnico de un proceso bivariante.................................................. 43
Multiplicacin se series armnicas. .............................................................. 52

Regresin band spectrum. ......................................................................... 65
TEMA IV.- FILTROS LINEALES...................................................................... 73
Operadores de series de tiempo................................................................... 73
Filtros lineales............................................................................................... 74
Tipos de filtros .............................................................................................. 76
El filtro como producto de convolucin ......................................................... 84
TEMA V.- APROXIMACIN DE UNA FUNCION UTILIZANDO EL ANALISIS
ARMNICO...................................................................................................... 90
Flexibilidad.................................................................................................... 90
Flexibilidad local ........................................................................................... 92
Forma Flexible de Fourier (FFF)................................................................... 94
La aproximacin FFF multivariada.............................................................. 105
Aproximacin FFF utilizando funciones paramtricas. ............................... 109
TEMA VI.- REGRESION ARMONICA. ........................................................... 150
Introduccin ................................................................................................ 150
Mtodos basados en el periodograma........................................................ 151
Mtodo del espectro mixto.......................................................................... 155
Mtodo de la regresin armnica dinmica ................................................ 156
BIBLIOGRAFA .............................................................................................. 159
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 n1 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)
16
-2;11793122
41
17
-0;56792487
42
18
-0;40404757
43
19
0;13485305
20
x(t)
x(t)
x(t)
-1;44418664
66
0;55779765
91
0;4442245
-0;84723752
67
0;138715
92
0;61790615
-1;52157099
68
-0;91096126
93
0;21347319
44
-0;36287702
69
1;88484591
94
-1;02693093
-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
-0;118431073
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
16;3471842
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 a i y bi variables aleatorias con2

E (a i ) = E (bi ) = 0
2 ; si i = j
E (a i a j ) = E (bi b j ) =
0; si i j
E (a i 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
an2 + bn2
cos(n0t ) +
sen(n0t )
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
para m = n 0
T /2
cos(m t)cos(n t)dt = T / 2

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

0
T/ 2
para m n
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(m 0t ) 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
T
T
2
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 a i 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 a trozos en el intervalo [ , ] ; Sean a 0 ; a n y bn
los coeficientes del desarrollo de Fourier de f. Entonces se verifica que:
[ f ( x)]2 = 1 ao2 + an2 + 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 Y0 .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
an + bn2 + aT2 2 , q = T 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.
g=
max w p
n
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 de tabla 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:
G=
max S 2
2S 2
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
2jt
2jt
1
2
2
y
cos
;
b
=
y i sin
; p j = a j + b j , j = 1,..., T ,
i
j
T t =1
T t =1
T
T
2
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 estadistico:
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 n1; 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
-10
15
22
29 36
43
50 57
64 71
78
85 92
99
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 n2) y obtener la contribucin de cada
armnico a la varianza de la serie:
Tabla n2 Peridograma de X t = 0,5 + X t 1 + ut
Periodo
(
I ( ) =
T a 2p + bp2
(a
2
p
+ b p2
ap
bp
100;0
1;9645989
0;1982775
31;0269598
1;94948138
50;0
-4;5393342
-1;2467640
176;3434804
11;0799877
33;3
-0;8601427
0;9799692
13;5296423
0;8500925
25;0
0;0835776
0;8487047
5;7875496
0;36364247
20;0
0;4166653
-0;3232265
2;2129323
0;13904264
16;7
-0;2059344
-0;3631882
1;3871519
0;08715732
14;3
0;4043324
-0;6204093
4;3639683
0;27419622
12;5
0;9442994
0;2493234
7;5906052
0;47693179
11;1
0;3926785
-0;0310192
1;2347129
0;0775793
10
10;0
0;1283672
-0;0894678
0;1948265
0;01224131
11
9;1
0;5348622
-0;1026948
2;3604572
0;1483119
12
8;3
0;4157705
-0;6015541
4;2552659
0;26736624
13
7;7
-0;0913588
-0;1203558
0;1816908
0;01141597
14
7;1
-0;3283259
-0;6568280
4;2909838
0;26961046
15
6;7
0;2314942
-0;3688880
1;5093294
0;09483396
16
6;3
0;0228915
-0;5384152
2;3110490
0;14520749
17
5;9
0;6861954
0;2823306
4;3813344
0;27528736
18
5;6
-0;0680460
0;2345241
0;4745347
0;02981589
19
5;3
0;3848785
-0;1703442
1;4097036
0;08857429
20
5;0
0;0347357
0;6665654
3;5453033
0;22275798
21
4;8
0;1779031
-0;4472488
1;8436590
0;11584051
22
4;5
-0;4350383
0;1164205
1;6139270
0;10140602
23
4;3
0;1130713
-0;3521380
1;0885109
0;06839315
24
4;2
0;1497142
-0;0947065
0;2497433
0;01569184
25
4;0
-0;0408499
-0;2790311
0;6328565
0;03976354
26
3;8
0;4000049
-0;0587758
1;3007618
0;08172927
27
3;7
-0;1788847
0;1668144
0;4760862
0;02991338
28
3;6
0;0722675
-0;0849189
0;0989451
0;0062169
29
3;4
0;3224180
-0;0273876
0;8332036
0;05235173
Frecuencia
1
Frecuencia
Periodo
ap
bp
(
I ( ) =
T a 2p + bp2
(a
2
p
+ b p2
30
3;3
-0;2087289
0;0631024
0;3783880
0;02377482
31
3;2
0;1048227
-0;2653191
0;6476174
0;040691
32
3;1
0;1786666
-0;3176133
1;0567885
0;06639998
33
3;0
-0;1230019
-0;1984293
0;4337265
0;02725184
34
2;9
-0;0622384
0;0264338
0;0363857
0;00228618
35
2;9
-0;1590939
-0;1623496
0;4111630
0;02583413
36
2;8
0;1014609
-0;1111765
0;1802790
0;01132727
37
2;7
0;2002842
-0;1353838
0;4650711
0;02922128
38
2;6
0;0203165
-0;3006128
0;7224110
0;04539042
39
2;6
-0;1624371
-0;1121361
0;3100362
0;01948015
40
2;5
0;0803258
-0;0195769
0;0543950
0;00341774
41
2;4
0;2538179
-0;0592717
0;5406229
0;03396834
42
2;4
0;1153917
0;0975809
0;1817332
0;01141864
43
2;3
0;0424267
-0;0466046
0;0316083
0;00198601
44
2;3
-0;1812651
0;0086732
0;2620665
0;01646612
45
2;2
0;1713397
-0;1175139
0;3435104
0;0215834
46
2;2
0;1209881
0;0456828
0;1330937
0;00836253
47
2;1
0;2881007
-0;3457646
1;6118830
0;1012776
48
2;1
0;0070527
0;0817615
0;0535929
0;00336734
49
2;0
0;0804486
-0;1183934
0;1630461
0;01024449
50
2;0
0;0000000
-0;0938575
0;0701016
0;00440461
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;
max S 2
11,07999
calculamos es estadstico G =
=
= 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:
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)
t 0 = 0, t1 =
T
2T
kT
( N 1)T
, t2 =
,..., t k =
,..., t N 1 =
N
N
T
N
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:
g (t ) =
1
1
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
.
,
.
N
y
1 w 1
N 1
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
[ ]
donde FN = w nk
N 1
n ,k =0
la matriz de Fourier de orden N.
Al vector se le denomina transformada discreta de Fourier del vector
y;
denotndose como : = DFT ( 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
2.0
2.5
3.0
Se puede calcular directamente el espectro con:

spec.pgram(y)
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 n3 figura el periodograma obtenido para la serie del ciclo; y la

contribucin de cada armnico a la varianza de la serie del ciclo:
Tabla n3. Peridograma de X t = 0,7 + X t 1 + u t

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
43
44
45
46
47
48
49
50
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
2;3
2;3
2;2
2;2
2;1
2;1
2;0
2;0
ap
-0;2110003
1;1666539
0;4941013
-1;2791003
-0;8240684
-0;4265556
0;0437887
-0;0367961
-0;6165606
-0;0586220
-0;1445715
0;0186580
-0;0575354
0;0572704
-0;1272382
0;0088206
0;2229230
-0;0960159
-0;0797698
0;0093360
0;1882444
0;0061163
0;0606271
-0;1135872
-0;0068206
0;0334680
-0;1061454
-0;2058317
0;0968601
-0;0731819
-0;0284913
-0;0830430
0;0538377
0;0214412
-0;0529943
-0;0487378
-0;1062800
-0;0132742
-0;0816537
-0;0455215
-0;1219242
0;1114522
-0;1221094
-0;0587289
-0;0335511
-0;0319621
-0;1472337
0;1568000
-0;1331254
-0;0357171
bp
I ( i ) =
0;0378442
-1;8327001
-0;2110003
1;1666539
0;1411294
0;2616019
-0;1344344
-0;6671780
-0;1009724
-0;0322621
0;5501268
-0;1595283
0;0127058
-0;0427442
0;1242391
-0;1076772
-0;0498500
0;0846063
-0;0534037
0;1377675
0;3271687
0;0851154
0;2789904
-0;0739005
0;0668464
0;0218973
-0;0313270
0;0025358
0;1045979
-0;0683325
-0;0618409
-0;0209601
0;0500945
-0;0774227
0;1100899
0;1341554
0;0886027
0;1171787
0;0276254
0;0436664
0;0316829
0;0067912
-0;0583505
-0;1022749
-0;0321636
0;0526254
-0;1079590
0;0140684
0;0702469
0;0000000
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;02297666
2;35993551
1;39107732
1;24785231
0;34950316
0;12519262
0;00999503
0;22324019
0;19517122
0;00223869
0;1617702
0;01289869
0;00173588
0;00255348
0;01581245
0;00583609
0;02608983
0;00818863
0;00460758
0;00953353
0;07123765
0;00364102
0;04075565
0;00918166
0;00225748
0;0007998
0;00612412
0;02118655
0;0101613
0;00501246
0;00231803
0;00366773
0;00270398
0;003227
0;00746409
0;01018652
0;00957294
0;00695353
0;00371524
0;00198948
0;00793466
0;00623386
0;00915775
0;00695462
0;00108008
0;0018955
0;01666646
0;01239208
0;0113285
0;00063786
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 n4. Peridograma de X t wt
Frecuencia
1
2
3
4
5
6
7
8
9
10
11
Periodo
100;0
50;0
33;3
25;0
20;0
16;7
14;3
12;5
11;1
10;0
9;1
ap
-0;8550554
-1;1413339
1;4381418
1;0888654
0;1784373
0;1503196
0;1364739
0;3278321
-0;0245414
0;0398662
0;0227716
bp
I ( i ) =
1;1842112
-2;5075756
-0;7779409
0;3007921
0;5595931
0;0516189
0;1459084
0;4048790
0;2868346
0;1599286
0;4306292
T a 2p + b p2
4
16;9776612
60;4039018
21;2745907
10;1549101
2;7452978
0;2010166
0;3176286
2;1597397
0;6595093
0;2161838
1;4798234
(a 2p + b p2 )
2
1;06673791
3;79528908
1;33672195
0;63805182
0;17249215
0;01263025
0;01995719
0;13570045
0;04143819
0;01358323
0;09298004
Frecuencia
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
Periodo
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
-0;4080321
-0;1720955
-0;2396204
-0;0302919
-0;1132906
0;1868499
0;0913739
-0;0857895
0;2859615
-0;3201378
0;0709720
-0;0445707
-0;0034966
-0;0644292
-0;0234301
0;0636891
0;0474177
-0;0368184
0;0142093
-0;0676061
-0;1851943
-0;1318589
0;0360898
-0;0017041
0;0567025
-0;0383015
-0;1747960
-0;0012678
0;1088985
0;0162935
0;0304216
-0;0576875
0;0527899
0;0264767
0;0675935
-0;2003501
-0;0164360
-0;1017020
-0;0788269
bp
I ( i ) =
0;2804188
-0;0116378
-0;1552283
0;0103265
-0;2342787
0;1009090
-0;0709517
0;1057649
0;0729684
0;2192024
-0;1883912
0;1086493
0;0642131
-0;0604126
0;1056218
-0;1064999
0;0732285
0;1756339
-0;0278126
0;1499094
0;0915465
-0;1295865
-0;0532993
-0;0670182
0;0487639
0;1188865
-0;0236642
-0;1720045
-0;0191105
0;0750553
0;0378806
0;0351610
-0;0714896
0;1022642
0;1104654
0;1500707
-0;0244295
0;0838890
0;0000000
T a 2p + b p2
4
1;9506420
0;2367613
0;6486658
0;0081506
0;5389087
0;3588586
0;1065011
0;1475849
0;6931069
1;1979427
0;3225138
0;1097470
0;0329096
0;0620767
0;0931448
0;1225375
0;0605652
0;2562622
0;0077623
0;2152045
0;3396183
0;2719913
0;0329713
0;0357649
0;0445084
0;1241488
0;2475944
0;2354471
0;0972763
0;0469409
0;0187835
0;0363203
0;0628466
0;0888003
0;1334633
0;4986434
0;0068989
0;1383108
0;0494469
(a 2p + b p2 )
2
0;12256245
0;01487615
0;04075687
0;00051212
0;03386063
0;02254775
0;00669166
0;00927303
0;04354919
0;07526896
0;02026414
0;00689561
0;00206777
0;0039004
0;00585246
0;00769926
0;00380542
0;01610143
0;00048772
0;0135217
0;02133884
0;01708971
0;00207165
0;00224717
0;00279655
0;0078005
0;01555681
0;01479358
0;00611205
0;00294938
0;0011802
0;00228207
0;00394877
0;00557949
0;00838574
0;03133069
0;00043347
0;00869033
0;00310684
70,0000000
60,0000000
50,0000000
40,0000000
30,0000000
20,0000000
10,0000000
0,0000000
1
10 13 16 19 22 25 28 31 34 37 40 43 46 49
En la figura se comprueba el suavizado que introduce la ventana en el

espectro.
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.
E [x(t )] = x = 0 y E [ y (t )] = y = 0 ; es decir ambas series tienen un valor
Si
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
Partiendo de una serie armnica xt = ao + (a p cos p 0 t + b p sin p o t ) + vt y otra

k
p =1
definida como yt = ao* + a *p cos p 0 t + b *p sin p o t + u t ; la contribucin de los

p =1
diferentes armnicos a la covarianza entre ambas series sera entonces
(a
a *p + b p b *p
2
) . En donde
par T o k = (T 1)
k =T
si es impar.
armnicos si el nmero de observaciones es
El producto de:
T k
*
*
*
(
x
a
)(
y
a
)
=
(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
o
t
o
t =1
t =1 p =1
Se aproxima a T
(a
a *p + b p b *p
2
t =1
) ;
) ; gracias a la ortogonalidad de las funciones
seno y coseno6.
En consecuencia
(a
a *p + b p b *p
p =1
se aproximara a la covarianza cruzada; de
manera que cabe considerar a cada expresin
(a
a *p + b p b *p
2
) la contribucin del
armnico p a la formacin de la covarianza ( (0) ); 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
Dado que
cos( p 0 t ) = 0 y
t =1
Utilizando
las
identidades
sen( p t ) = 0 siendo
0
t =1
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 2 p 0 t = T , y
2
t =1
cos m t sin n t = 0 y
t =1
sin m t sin n t = 0 y cos m t cos t = 0

t =1
t =1
positivo o negativo; pudindose observar que un ciclo relevante en ambas

series originar 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
bp
p = arctan
ap
(a ) + (b )
donde
p =1
* a*
; C0 = 0 ; C * =
n
* 2
p
* 2
p
Co =
a0
; C p = a 2p + b p2
b *p
y; = arctan *
a
p
*
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
.
0
p p* p p*
Entonces la diferencia
=
; determinara el desfase entre los
0 0
o
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 n2 y n4; 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 n 5. 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
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
*
*
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
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
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
0;002692719
-0;004455511
0;009515013
0;016067157
0;003185531
0;002334467
0;002199355
0;007634174
0;005829628
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
p =1
(a
a *p + b p b *p
2
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 de dos series armnicas permite analizar el cross-espectro; la
covarianza cruzada y los desfases que se dan entre las frecuencias relevantes
de dos series armnicas de media cero.
La
multiplicacin de dos series armnicas xt e y t ;
da lugar al siguiente
resultado:
k
yt xt = + a 'p cos p 0 t + b p' sin p o t = + z t

p =1
donde =
p=1
a p a p*+b p b *p
2
; en tanto que a 'p y b 'p seran combinaciones lineales
de las coeficientes de Fourier de xt e y t .

La
[a
multiplicacin
j
de
dos
][
armnicos
de
diferente
cos(n t ) + b j sin(n t ) a k cos( m t ) + b k sin(m t ) da lugar a la siguiente
suma:
a j a k cos(n t ) cos(m t ) + a j b k cos(n t ) sin(m t ) +

+ b j a k sin(n t ) cos(m t ) + b j 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
frecuencia;
cos cos =
cos sin =
sin( + ) sin( )
2
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 una serie armnica con frecuencias angulares que se
obtienen a partir de la suma y diferencia de las frecuencias angulares de los
armnicos mltiplos; y con coeficientes de Fourier obtenidos a partir de los
coeficientes de los armnicos mltiplos:
(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
La obtencin del trmino i-simo 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; algunas de las cuales aparecen asociadas a
diferentes coeficientes.
Por ejemplo; el producto de dos series obtenidas a partir de dos armnicos:
xt = a 01 cos(0 t) + b01sin(0 t) + a11cos(1 t) + b11sin(1 t)

y 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
a11a02
2
cos(o t o t ) = 1
(b a
1
0
2
0
cos( o t + o t ) =
(b a
a 10 b02
2
2
0
cos(1 t o t )
(b a
+ a 10 b02
2
1 2
1 0
cos(1 t + o t )
(b a
a11b02
2
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
+ b01b12
2
b01b12
2
+ b11b12
2
b11b12
2
1
0
= cos( 2o t )
1 2
1 0
1 2
0 1
= cos(1 t 0 t )
1 2
0 1
1 2
1 1
1 2
1 1
= cos(21 t )
+ a11b02
2
a 10 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 ) =
= sin( 2 o t )
= sin(1 t 0 t )
= sin(21 t )
Que dara lugar a la siguiente serie de Fourier:
xt y 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:
(a a
=
1 2
0 0
a0
) (
+ b01b02 + a11a12 + b11b12

2
(a a
=
1
0
2
0
b01b02
2
bo =
a1 =
b1 =
(a a
b2 =
b3 =
2
0
+ a 10 b02
2
) (
) (
+ a 10 b12 + b11 a 02 + a11b02

2
1 2
0 1
a2 =
a3 =
1
0
b01b12 + a11 a 02 b11b02

2
1 2
0 1
(b a
(b a
(a a
1 2
1 1
(b a
1 2
1 1
b11b12
2
+ a11b12
2
) (
) (
+ b11b02 + a10 a12 + b01b12

2
1 2
1 0
(b a
(a a
a11b02 b01 a12 a 01 b12

2
1 2
1 0
La multiplicacin de dos series de longitud T obtenidas como sumas de
k=
T
armnicos; cuyas frecuencias angulares son obtenidas a partir de
2
i =
2 i
T
es decir
k
)+ b sin (i 2 t T )
)+ b sin(i 2 t T )
xt = a i1cos i 2 t
i=1
1
i
e
k
y t = ai2 cos i 2 t
i=1
2
i
da como resultado una nueva serie armnica de T/2 periodos
xt y t = 0 + a i cos i 2 t
i=1
)+ b sin(i 2 t T )
i
En donde8
ai1 a 2i +bi1bi2
=
2
i=1
k
Partiendo de dos series armnicas de T=8; que dan 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)+

+ a 12 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
1 2
8
2 2
1 =
8
3 2
2 =
8
4 2
3 =
8
o =
= 0,785
= 1,571
= 2,356
= 3,141
Ntese que es la covarianza armnica, y coincidir con la covarianza muestral entre
f (t ) y g (t ) cuando
a cos(i 2 t T )+ b sin(i 2 t T )= 0 , lo que ocurre cuando la serie armnica se muestran sin desfase,
k
i=1
en cuyo caso,
f (T + n) g (T + n) =
. En general se puede asumir que a medida que es mayor el tamao
de la serie la covarianza muestral se acercar a la covarianza armnica.
La multiplicacin sucesiva de los cuatro armnicos de xt por el primer armnico

de y t dara lugar a las siguientes frecuencias angulares:
+ 1
1 2
8
1 2
=
8
1 2
=
8
1 2
=
8
1 2
8
2 2
8
3 2
8
4 2
1 2
8
1 2
=
8
1 2
=
8
1 2
=
8
1 2
8
2 2
+
8
3 2
+
8
4 2
+
8
= 0
1 2
= 0
8
2 2
=
= 1
8
3 2
=
= 2
8
2 2
= 1
8
3 2
=
= 2
8
4 2
=
= =
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 xt por el segundo

armnico de y t dara lugar a las siguientes frecuencias angulares:
1 1
1
2 2
8
2 2
=
8
2 2
=
8
2 2
=
8
=
2 2
8
2 2
1 + 1 =
8
2 2
1 + 2 =
8
2 2
1 + 3 =
8
1 + 0 =
1 2
8
2 2
8
3 2
8
4 2
1 2
8
2 2
+
8
3 2
+
8
4 2
+
8
+
1 2
=
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 xt por el tercer armnico

+ 1
3 2
8
3 2
=
8
3 2
=
8
3 2
=
8
=
3 2
8
3 2
=
8
3 2
=
8
3 2
=
8
=
1 2
8
2 2
8
3 2
8
4 2
1 2
8
2 2
+
8
3 2
+
8
4 2
+
8
+
2 2
= 1
8
1 2
=
= 0
8
= 0
=
1 2
=
8
4 2
= = 3
8
1 2
4 2
=
+
= 0 +
8
8
2 2
4 2
=
+
= 1 +
8
8
de forma que
cos( 2 + ) = cos( 2 )
sin( 2 + ) = sin( 2 )
La multiplicacin sucesiva de los cuatro armnicos de xt por el cuarto armnico

4 2
8
4 2
=
8
4 2
=
8
4 2
=
8
=
1 2
8
2 2
8
3 2
8
4 2
4 2
8
4 2
=
8
4 2
=
8
4 2
=
8
=
3 2
= 2
8
2 2
=
= 1
8
1 2
=
= 0
8
= 0
1 2
8
2 2
+
8
3 2
+
8
4 2
+
8
+
= 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 xt y t a partir del siguiente sistema matricial:
a 02
2
b0
a12
2
b1
a2 + a2
2
A = 02
2
b0 b2
a 2 + 2a 2
3
1
2
b1
2
a2
b22
b02
a02
a12
b12
b12
a12
a 22
b22
b22
a 22
2a32
2b32
b12
a12
b02 + b22
a02 + a 22
b12
a12 2a32
b22
a 22
a02 + a 22
b02 + b22
2a32
0
2
a0 + a 22
b02 b22
a12
b12
b02 + b22
a02 a 22
0
2a32
b02 b22
a02 a 22
b12
a12
a12 + 2a32
b12
a 02 + a 22
b02 b22
a12
b12
a02
b02
b12
a12 2a32
b02 b22
a 02 a 22
b12
a12
b02
a02
2a 22
2b22
2a12
2b12
2a02
2b02
0
0
0
0
0
0
0
0
0
0
0

a0

b0
a 1
C = 1 = A B
b1 2
a
2
b2
a3

b3
a 10
1
b0
a11

B = b11
a 1
12
b2
a1
3
Prescindiendo de los coeficientes que multiplican a senos con valor cero; el

sistema se reduce a :
a02
2
a1
b12
2
a + a22
*
A = 02
b b2
2
20
2
a1 + 2a3
b2
1
a22
b02
a12
b12
a22
b22
b12
a12
b02 + b22
a02 + a22
b02 + b22
2a32
b02 + b22
a02 a22
0
a12 + 2a32
b12
a02 + a22
b12
a12 2a32
b02 b22
a02 + a22
b12
a12 2a32
b22
0
a02 + a22
b02 b22
a12
2a32
b02 b22
a02 a22
b12
b02 b22
a12
b12
a02
a02 a22
b12
a12
b02
2a32
2a22
2b22
2a12
2b12
2a02
2b02

a0
b0

a
1
C = 1 = A* B
b 2
1
a2
b
2
a 3
Una serie de Fourier de 5 armnicos; T=10; da lugar al siguiente sistema

matricial:
a2
b02
a12
b12
a22
b22
a32
b32
0
a12
b12
a02 + a22 b02 + b22 a12 + a32 b12 + b32 a22 + 2a42
b22
2
a12
b02 + b22 a02 a22 b12 + b32 a12 a32
b22
a22 2a42
b1
a02 + a22 b02 + b22
a32
b32
a02 + 2a42
b02
a12 + a32 b12 b32
2 2
b +b
a02 a22
b32
a32
b02
a02 2a42 b12 b32 a12 a32
*
A = 02 22
a1 + a3 b12 + b32 a02 + 2a42
b02
a32
b32
a02 + a22 b02 b22
2 2
a12 a32
b02
a02 2a42
b32
a32
b02 b22 a02 a22
b1 + b3
a2 + 2a2
b22
a12 + a32 b12 b32 a02 + a22 b02 b22
a12
b12
4
2
b22
a22 2a42 b12 b32 a12 a32 b02 b22 a02 a22
b12
a12
2
b32
a22
b22
a12
b12
a02
b02
a3
a
b
a
B=
b
a
b
1
0
1
1
1
1
1
2
1
2
1
2
1
3
1
4

a
0
b0

a1
b 1
C = 1 = A B
a 2 2
b
2
a3
b
3
a4
2
4
2
3
2
3
2
2
2
2
2
1
2
1
2
0
2
0
2a
2a
2b
2a
2b
2a
2b
2a
2b
0
En definitiva; los coeficientes de la funcin de desfase de la covarianza cruzada

entre dos series armnicas se obtienen a partir de la multiplicacin matricial:
C=
1 *
A B
2
En tanto que las frecuencias angulares de la serie xt y t seran: 0 ; 2

4
10
; 6
10
; 8
10
10
;.
Ejemplo 5
1 2 t
1 2 t
2 2 t
2 2 t
xt = 0,5 cos
+ 0,4 sin
+ 0,8 cos
+ 0,2 sin
+
10
10
10
10
3 2 t
3 2 t
4 2 t
4 2 t
5 2 t
+ 0,4 cos
+ 1,2 sin
+ 0,1 cos
+ 0,3 sin
+ 0,2 cos
10
10
10
10
10
f(t)
3
2
1
0
-1
-2
1 2 t
1 2 t
2 2 t
2 2 t
y t = 0,9 cos
+ 0,1 sin
+ 0,3 cos
+ 0,7 sin
+
10
10
10
10
3 2 t
3 2 t
4 2 t
4 2 t
5 2 t
+ 0,6 cos
+ 0,05 sin
+ 0,9 cos
+ 0,5 sin
+ 0,1 cos
10
10
10
10
10
g(t)
4
3
2
1
0
-1
-2
-3
el producto xt y t da como resultado:

0,1
0,3
0,7
0,6
0,05
0,9
0,5
0,2
0,9
0,725
0,5
0,3
0,7
1,5
0,15
1,2
1,2
0,8
0,05 1,8 2,0175
0,4
0,7 0,3 0,05
0,3
0,2 0,6 0,05 0,4
1 0,3175
0,8
1
,
5
0
,
05
0
,
9
0
,
5
1
,
1
0
,
1
1
,
2
0
,
2
1
,
2
0,2 1,265
0,3
0,5
0,9 0,1 0,7
1,2 0,6 0,1 0,4475
1 0,15
0,4 =
1,1
0,1
0,9
0,5
1,5
0,05 0,6 0,7125
2 1,2 0,2
1,2
1,2
0,6
0,1
0,7
0,5 0,9 0,15 0,3 1,4 0,4525
0,1
1,2
1,5 0,15
0,3
0,7 1,8 0,85
0,8 0,05 1,2
0,3
0,05
0,4
0,2
0,6 0,05
0,3
0,7 0,3 0,2 0,2025
0,2
0,6
0,05 0,3 0,7
0,9
0,1
0
0,9 0,5
0,3
Que da lugar a la siguiente serie:

2 t
2 t
2 2 t
2 2 t
x t y t = 0,725 cos (0 ) + 2,0175 cos
0,3175 sin
+1,265 cos
+ 0, 4475 sin
10
10
10
10
4 2 t
4 2 t
6 2 t
6 2 t
+ 0,7125 cos
0,4525 sin
+ 0,85 cos
+ 0, 2025 sin
+ 0,3 cos ( )
10
10
10
10
f(t)*g(t)
6
5
4
3
2
1
0
-1
-2
-3
Ntese que la covarianza entre xt e y t es 0,725.

Regresin band spectrum.
La multiplicacin de dos series armnicas de media cero da como resultado:
k
yt xt = + a 'p cos p 0 t + b p' sin p o t = + z t

p =1
k 1 a a *+b b*
p p
p p
+ aT aT* sera la covarianza cruzada; en tanto que
donde =
2
2
2
p=1
a 'p y b 'p seran combinaciones lineales de los coeficientes de Fourier de xt e y t ;

que dan lugar a la funcin de desfases que se dan entre las frecuencias
relevantes de dos series armnicas.
Cuando z t = 0 ; la covarianza cruzada coincide con la covarianza del proceso
bivariado.
El regresor mnimo-cuadrtico de la estimacin: yt = bxt + et es el siguiente:
bMVCO =
y
t =1
x y
x
t
2
t
xt = T + z t
t =1
Teniendo en cuenta la relacin de Parseval que muestra que el periodograma

estudia de hecho la distribucin de la varianza o potencia de la serie en funcin
de los diversos armnicos.
La varianza del proceso xt quedara definida a partir de:
x2 =
1 q 1 2
a p + b p2 + aT2
2
2 p =1
En consecuencia
bMCO
Dado que
z
t =1
k 1 a p a p*+b p b *p
T
+ aT aT* + z t
T
2
2
2
p=1
t =1
=
2
2
k 1 a p + b p
+ aT2
T
2
p=1 2
0 entonces:
(a
k 1
bMCO
a p*+b p b *p + 2 aT aT*
2
p=1
(a
k 1
2
p
+ b p2 + 2aT2
p=1
El error mnimo-cuadrtico t ; se calcula como:
(a
k 1
yt y t = y t bMCO xt = y t
a *p + b p b *p + 2 aT aT*
2
p=1
(a
k 1
2
p
+ b + 2a
2
p
p=1
2
T
xt
Y su varianza:
( yt y t )2
k 1
1
*
*
*
a p a p +b p b p + 2 aT aT
2 p=1
1 k 1
2
2
= n a *p2 + b *p2 + 2aT*2

k 1
2
1
2 p=1
a 2p + b p2 + 2aT2
2
2 p=1
Considerando ahora las series aperidicas; es decir series que no se pueden

describir exclusivamente por los
T
2
armnicos; en estos casos el
periodograma 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.

Hannam (1963) y Engle (1972) formularon el estimador mnimo-cuadrtico en
trminos del periodograma:
T 1
= fxx ( k )
k =0
1 T 1
f ( )
k =0
xy
donde fxx ( k ) es la matriz del cross-periodograma de xt .

Utilizando las transformadas discretas de Fourier; = DFT ( y ) y = DFT (x) .
La relacin de Plancharel muestra que se verifica la siguiente correspondencia
de productos escalares:
( y, x ) =
1
( , )
N
en tanto que la igualdad de Parserval constituye el caso particular de y = x .

Por tanto utilizando las Transformadas Discretas de Fourier cabra calcular el
regresor mnimo cuadrado a partir de
MCO =
( , )
( , )
en series cuyo valor esperado fuese cero.
Ejemplo 6
En la tabla n 6 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.
Tabla n 6. Consumo de energa final elctrica (TEP) y del PIB en Millones de
euros de Espaa de 2000
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
Consumo
de Energa
Final
PIB (Mill
Elctrica
euros ao
(TEP)
2000)
11244
484580;9
11237
479583;3
11777
491011;6
12116
515405
12655
527862;4
13672
548283;8
14202
572782
15241
599965;8
16205
630263
17279
653255
17759
670920;4
18916
691694;7
19834
714291;2
20827
740108
22052
769850;2
22548
797366;8
Transformando estas cifras en logaritmos y tomadas como diferencia sobre la

media; obtenemos las series xt (PIB ) e y t (Consumo Energa); la regresin
Mnimo Cuadrtica de ambas series ofrece los siguientes resultados:
Tabla n 7. Resultados de la regresin MCO entre el Consumo de energa final
elctrica (TEP) y del PIB en Millones de euros de Espaa de 2000. Logaritmos.
Resumen
Estadsticas de la regresin
Coeficiente de
correlacin mltiple
0;9986985
Coeficiente de
determinacin R^2
0;99739868
R^2 ajustado
0;93073202
Error tpico
0;01242767
Observaciones
16
ANLISIS DE VARIANZA
Grados de
Suma de
Promedio de los
Valor crtico
libertad
cuadrados
cuadrados
F
de F
Regresin
1 0;88827222
0;88827222 5751;31267 1;0441E-19
Residuos
15 0;0023167
0;00015445
Total
16 0;89058893
Intercepcin
PIB (Mill euros ao
2000)
Coeficientes Error tpico

0
#N/A
Estadstico t
#N/A
1;41816621 0;01870009
Inferior
95%
#N/A
Probabilidad
#N/A
75;8374094
8;3389E-21 1;37830792 1;4580245
El periodograma del PIB sera:

Tabla n 8. Periodograma del PIB en Millones de euros de Espaa de 2000.
Logaritmos.
Frecuencia
Periodo
1
2
3
4
5
6
7
8
16
8
5;3333
4
3;2
2;6667
2;2857
2
ap
ba pp
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
0;9509
0;1995
0;0942
0;0499
0;0454
0;0268
0;0184
0;0069
(a 2p + b p2 )
2
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 Consumo de Energa Elctrica Final sera:

Tabla n 9. Periodograma del Consumo de Energa Elctrica en TEP.
Logaritmos.
Superior
95%
#N/A
Frecuencia
Periodo
1
2
3
4
5
6
7
8
ap
ba pp
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
I ( i ) =
T (a *p2 + b *p2 )
(a *p2 + b *p2 )
-0;1883
-0;0767
-0;0522
-0;0290
-0;0180
-0;0121
-0;0071
0;0000
0;4638
0;0982
0;0534
0;0275
0;0183
0;0128
0;0130
0;0033
0;0185
0;0039
0;0021
0;0011
0;0007
0;0005
0;0005
0;0001
Y su varianza:
y2 =
1 7 *2
a p + b *p2 + a8*2 = 0,0557
2 p =1
La covarianza cruzada del PIB y el Consumo de Energa Elctrica sera

entonces:
Tabla n 10. Covarianza cruzada entre el PIB en Millones de euros de Espaa
de 2000 y el del Consumo de Energa Elctrica en TEP . 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 *p
-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
0;0586
0;0580
0;0489
0;0442
0;0507
0;0433
0;0377
0;0234
+ a8 a8* = 0,0391
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
La estimacin mnimo cuadrtica sera entonces:

a p a p*+b p b *p
+ a8 a8*
2
p=1
0,0391
=
= 1,4182
7 a2 +b2
0
,
0276
p
p
+ a82
2
p=1
7
bMCO
La varianza del error mnimo cuadrtico:
( yt y t )2
1 k 1
a p a p*+b p b *p + 2 aT aT*
2 p=1
1 k 1
2
2
= n a *p2 + b *p2 + 2aT*2

2
1 k 1 2
2 p=1
2
2
a p + b p + 2aT 2
2 p=1
0,03912
= 16 0,0557
0,0276
El error de regresin; cuyo DW=2;006; figura calculado en la tabla n 12.
Tabla n 11. Error de la regresin MCO entre el Consumo de energa final

elctrica (TEP) y del PIB en Millones de euros de Espaa de 2000. Logaritmos.
yt
y t
xt
-0;3311
-0;3317
-0;2848
-0;2564
-0;2129
-0;1356
-0;0975
-0;0269
0;0344
0;0986
0;1260
0;1891
0;2365
0;2853
0;3425
0;3647
-0;2293
-0;2397
-0;2162
-0;1677
-0;1438
-0;1058
-0;0621
-0;0158
0;0335
0;0693
0;0960
0;1265
0;1587
0;1942
0;2336
0;2687
u t
-0;3253
-0;3400
-0;3066
-0;2378
-0;2039
-0;1501
-0;0881
-0;0224
0;0475
0;0983
0;1362
0;1794
0;2250
0;2754
0;3312
0;3810
-0;0058
0;0082
0;0218
-0;0186
-0;0090
0;0145
-0;0094
-0;0046
-0;0131
0;0002
-0;0102
0;0097
0;0115
0;0100
0;0112
-0;0163
= 0,00232
La representacin grfica del error de regresin figura a continuacin:
Error de regresin
0,0250
0,0200
0,0150
0,0100
0,0050
0,0000
-0,0050
-0,0100
-0,0150
-0,0200
-0,0250
10 11 12 13 14 15 16
La representacin grfica de los residuos mnimo-cuadrticos se ha realizado

calculando las bandas superior e inferior del test de Durbin con un nivel del 1%
de correlacin serial positiva; siendo T=16 y k=2; m=7. Con el 1% de
significacin para m el valor que se obtiene de la tabla es c0 = 0,24165 .
Tabla n 12 .- Periodograma acumulado del error mnimo-cuadrtico
Frecuencia
Periodo
bp
ap
1
2
3
4
5
6
7
8
16
8
5;3333
4
3;2
2;6667
2;2857
2
0;0046
-0;0043
-0;0065
-0;0079
0;0029
0;0013
-0;0069
0;0004
I ( i ) =
-0;0017
-0;0030
0;0025
-0;0037
-0;0067
0;0010
0;0031
0;0000
T a 2p + b p2
4
) sj
0;0003
0;0003
0;0006
0;0009
0;0007
0;0000
0;0007
0;0000
c+ , k = 2
0;0826
0;1771
0;3447
0;6057
0;7928
0;8015
0;9995
1;0000
0;5762
0;7191
0;8619
1;0048
1;1477
1;2905
1;4334
1;5762
1,8000
1,6000
1,4000
1,2000
1,0000
0,8000
0,6000
0,4000
0,2000
0,0000
1
c , k = 2
0;5048
0;6477
0;7905
0;9334
1;0762
1;2191
1;3619
1;5048
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.
Filtros lineales10
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 ( )
( ) a e
a e i =
donde:
j =
10
Para mas detalle ver
Francisco G. Villarreal.
i j
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.
Santiago
www.eclac.org/publicaciones/xml/9/24099/lcl2457e.pdf
de
Chile,
Diciembre
del
2005.
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
tiempo11. 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 12; lo que implica que F ( ) = 0 .
Tipos de filtros13
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.
As la primera diferencia de un logaritmo es una buena aproximacin de una
tasa de variacin mensual.
11
A veces el desplazamiento de fase se expresa como
F ( )
, lo cual permite expresar el desfase en unidades
de tiempo.
12
Para entender esta propiedad de los filtros lineales, se utilizan las siguientes funciones trigonomtricas:
sin( ) + sin( ) = 0
sin(0) = 0
Esto implica que cuando
h j = h j
, el producto en
j =
que
13
F ( ) = 0
dado que
tan 1 (0) = 0
sin( j )
sea igual a cero, lo cual a su vez implica
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
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 la Tabla n 14.
Tabla n14.- Tasas de Variacin y Filtros Lineales equivalentes
Expresin
Filtro lineal Equivalente
12
xt
T
1 100
x
t1
(1 L)
2
xt
T
1 100
x
t6
(1 L6 )
x
1 100
T121 t
x
t12
(1 L12 )
1
1
1
6
12
z
1 100
T13 t
z
t 1
4
z
1 100
T t
z
t 1
3
3
12
z
1 100
T t
z
t 1
6
1
zt =
(xt + xt 1 + xt 2 )
zt =
(xt + xt 1 + xt 2 )
zt =
(xt + xt 1 + ... + xt 5 )
(1 L)(1 + L + L2 ) = (1 L3 )
(1 L3 )(1 + L + L2 ) = (1 L)(1 + L + L3 ) 2
(1 L)(1 + L + L2 + ... + L5 ) = (1 L6 )
12
zt
T
1 100
z
t 1
12
1
zt =
(xt + xt 1 + ... + xt 11 )
12
12
(xt + xt 1 + ... + xt 11 )
zt
T
1 100 z t =
12
z
t12
12
12
(1 L)(1 + L + L2 + ... + L11 ) = (1 L12 )
12 2
(1 L12)(1+ L + L2 + ...+ L11) = (1 L )
(1 L)
Fuente: Melis (1991)
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
Ejemplo 7
Partimos de la serie xt = sin t
y aplicamos el filtro lineal a ( L) = 1 L .
El resultado se ilustra en la figura siguiente:
1
0,5
0
1
9 11 13 15 17 19 21 23 25 27
-0,5
-1
Serie original
Serie filtrada
A partir de la 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 Moivre14.
Se obtienen su funcin de ganancia y de fase:
14
e i = cos( ) i sin( ) y e i = cos( ) + i sin( )

G ( ) = 2 sin
2
F ( ) =
La funcin de ganancia aparece en la figura siguiente:

Funcin de ganancia del filtro a ( L) = 1 L
2
1,8
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
-0,36
El
desfase
0,14
temporal
considera = 2
0,64
de
1,14
este
1,64
filtro
2,14
2,64
3,14

F ( ) 2 2 T 2
=
=
;
si
Ejemplo 8
Partimos de la serie xt = sin t
)
3
y aplicamos el filtro lineal a( L) =
El resultado se ilustra en la figura adjunta:
1 2 j
L .
3 j =0
se
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.
A partir de la respuesta de frecuencia del filtro:
a e i =
1
1 + e i + e 2i
3
se obtienen su ganancia15 y desplazamiento de fase:

G ( ) ==
1
(1 + 2 cos( ))
3
F ( ) =
15
(1 + e
+ e 2i = e i e i + 1 + e i = e i (1 + 2 cos( ) )
ya que e e = 1 , e + e
= (2 cos( ) ) ,aplicando el teorema de De Moivre y las
igualdades sin( ) = sin( ) y cos( ) = cos( )
i
( ) =
= 1
La funcin de ganancia aparece en la siguiente figura:

Funcin de ganancia del filtro a( L) =
1 2 j
L
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 cuatrimestral 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. Por esta razn en las herramientas de ajuste estacional los filtros
utilizados siempre son simtricos.
Tabla n 15.- MODULO; FASE y DESFASE TEMPORAL DE LOS FILTROS DE

LA TABLA N14
Filtro
Modulo
Periodo
de
Fase
Desfase
mxima ganancia
temporal
para un
periodo
p
(1 L)
(1 L3 )
(1 L6 )
(1 L12 )
(1 L3 )(1 + L + L2 ) = (1 L)(1 + L + L3 ) 2
12 2
(1 L12 )(1 + L + L2 + ... + L11 ) = (1 L )
Fuente: Melis (1991)
( 2)
( 2)
6;2
)
2
12;4;24
2 sin
2 sin 3
2 sin 6
2 sin 12
( 2)
12 sin
24;8;4.8;3.43;2.7
;2.8
( 2)
3 sin ( )
2
2 sin 2 12
2 sin 2 3
32
p2
4
12
p6
4
p 24
2
23
p 12
4
p 10
4
p 46
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
En donde el vector z sera
3
0
.
0
1
3
0
1
3
1
3
.
.
1
3
0
1
3
0
0
y=
.
1
3
1
3
1
3 zo
0 z1

0 z3
. .
1 z N 2
3
1 z N 1
3
Ejemplo 9
Utilizando R vamos a filtrar la serie
Y <- PIB
# transformadas
y <- fft(Y)
#filtro de diferencia
F <- c(-1, rep(0, 36), 1)
f <- fft(F)
D_Y <- fft(fft(F)*y,inverse=TRUE)/38
plot.ts (D_Y[1 :37], type="l")
30000
20000
10000
0
D_Y[1:37]
10
15
20
Time
# periodograma de filtro
CF = abs(fft(F)/sqrt(38))^2
P = CF[1:20]/(2*pi)
f = (0:19)/38
plot(f, P, type="l")
25
30
35
0.015
0.010
0.000
0.005
0.0
0.1
0.2
0.3
0.4
0.5
El periodograma del filtro de primeras diferencias filtra las bajas frecuencias, y

amplifica las altas frecuencias o los movimientos de corto plazo.
#filtro de media movil
F <- c(1/4, rep(0, 34), rep(1/4,3))
f <- fft(F)
M_Y <- fft(fft(F)*y,inverse=TRUE)/38
plot.ts (M_Y[1:34], type="l")
2e+05
1e+05
0e+00
-2e+05
-1e+05
M_Y[1:34]
10
15
20
Time
# periodograma de filtro
CF = abs(fft(F)/sqrt(38))^2
P = CF[1:20]/(2*pi)
f = (0:19)/38
plot(f, P, type="l")
25
30
35
0.004
0.003
0.002
0.000
0.001
0.0
0.1
0.2
0.3
0.4
0.5
El periodograma de filtro de medias mviles de cuatro trminos
filtra las bajas
frecuencias, y amplifica las altas frecuencias o los movimientos de largo plazo.
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):
x' Dx2 g (0) x
g ( x) gk ( x) = g (0) + x' Dx g (0) +
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 extraar16; ya que las aproximaciones de
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).
16
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
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-flexible17 (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
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:
17
Para consultar la norma Sebolev:
http://pareto.uab.es/mcreel/Econometrics/econometrics.pdf
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
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 9
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 n 16
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
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
X
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
g ( x ) = ln( x + 1 )
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;69
1;81
1;93
2;05
2;17
2;29
2;41
2;53
2;65
2;77
2;89
0;99
1;03
1;08
1;12
1;15
1;19
1;23
1;26
1;29
1;33
1;36
4;69
4;81
4;93
5;05
5;17
5;29
5;41
5;53
5;65
5;77
5;89
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 n 17.- Resultados y regresores utilizadas para la aproximacin FFF de la
funcin ln( x + 1)
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;01
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
0;010
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
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 / )
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
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
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 / )
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 n 18 figuran los coeficientes obtenidos en la estimacin MCO de la

expansin de Gallant(1981):
Tabla n 18.- 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 10
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 n 19.- 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 n19.
Tabla n 20.- 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
COS (x)
SENO(x)
COS(2x)
g(x / )
SENO(2x)
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
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
Aproximacin FFF
105
PIB (IV)
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
A continuacin figuran los coeficientes obtenidos en la estimacin MCO de la

expansin de Fourier:
Tabla n 20.- Coeficientes estimados en la aproximacin FFF del PIB.
coeficientes
SENO (2X)
COEFICIENTE VARIANZA
25;7726
48;4461
COS (2X)
30;509
27;1992
SENO (x)
-452;1873
644;8903
153;4978
389;0007
COS(x)
x2
Constante
163;5181
267;6648
-1623;8053
2811;5767
3691;2378
6689;6026
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:
3
3
1 3
2
Yt = 0 + bi xit + cii xii + cik xit x kt +
2 i =1
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 sera18:
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
18
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
Ejemplo 11.
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 n 21. 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
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
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
393.268 12.176 354.106
354.800
406.561 11.901 358.712
357.626
417.897 11.590 358.079
358.447
429.637 11.483 363.686
365.732
440.562 11.429 371.759
373.518
448.413 11.156 377.213
375.094
459.117 11.350 387.067
386.409
474.688 11.509 399.453
399.784
496.304 12.029 421.987
422.312
523.763 12.433 443.768
443.197
559.321 12.860 464.793
463.993
597.434 13.322 482.179
483.305
635.839 13.450 493.115
493.370
668.924 13.241 496.504
495.461
691.947 12.852 490.728
493.235
715.836 12.788 501.775
499.432
744.264 13.020 515.405
514.710
769.988 13.203 527.862
529.070
799.170 13.668 548.284
549.004
835.577 14.258 572.782
572.497
878.412 14.921 599.966
599.656
923.074 15.670 630.263
628.414
968.182 16.176 653.255
652.736
1.011.559 16.549 670.920
673.418
1.056.437 16.949 691.695
693.443
1.103.659 17.405 714.291
713.723
1.157.349 17.970 740.108
738.021
1.217.898 18.564 769.850
768.513
1.284.160 19.090 797.367
801.090
2.008 1.344.152
2.009 1.380.015
2.010 1.413.146
18.988 804.223
17.733 774.285
17.281 771.809
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 n 22.- 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
F =3;57
R2 =0;99989
Grados de libertad 22
-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
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
t = o + 1
+ 2
+ ct cos
+ ct sin
n
n
n
n
t =1
2
si n es par, y
(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
La funcin xt = tg ( t ) t quedara parametrizada en funcin de t

Ejemplo 12
Utilizando el empleo equivalentes a tiempo completo de la CNE de Espaa
para el periodo 1971-201119, 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
19
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
2
t 2
t 2
t 2 2 (t 2
1
t = o + 1
+ 2
+ ct cos
+ ct sin
n
n
n
n
t =1
2
, si n es par, y
En la Tabla n23 figuran los clculos realizados para obtener la serie

radianes :
Tabla n23. 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
frecuencia escalada
15
20
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
Tenemos ahora n observaciones de dos variables aleatorias
yt N y , y2
xt N x , x2
).
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:
rt = x + y
2
t
2
t
t = ArcTg t
xt
( , )
( cos t ) + i (rt sen t )
Dado que Pt xt y t = xt + iy t = rt
,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 2 (t 2
1
t = o + 1
+ 2
+ ct cos
+ ct sin
n
n
n
n
t =1
2
si n es par, y
Ejemplo 13
Utilizamos ahora las cifras de Empleo a tiempo completo y PIB en euros
constantes de la CNE (Tabla n24).
Tabla n24.- 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
xt z t
y
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
yt
cuya representacin
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

entonces:
y = x
t
t
xt = xt
z t = tg ( t ) xt
[tg ( t )]2 + [tg ( t ) tg ( t )]2 (2)
Siendo
n
2
t 2
t 2
t 2 2 (t 2
1
t = o + 1
+2
+ ct cos
+ ct sin
n
n
n
n
t =1
2
2
t 2
t 2
t 2
(t 2
t = o + 1
+ 2
+ bt cos
+ ct sin
n
n
n
n
t =1
2
La parametrizacin sobre la dimensin z t :
yt = zt
zt = zt
z t = tg (
[tg ( t )]
t )x
2
+ tg ( t ) tg t
2
(3)
Por ltimo, la parametrizacin sobre y t
xt
, es exgena,
yt = yt
yt
xt =
2
[tg ( t )] + [tg ( t ) tg ( t )]2
yt
zt =
2
2
[tg ( t )] + tg ( t ) tg t
(4)
Ejemplo 14
En el ejemplo 14 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 n21).
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 n 25.- 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

siguietes:
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 n26 utilizando el sistema de ecuaciones (2), los resultados
grficos se representan seguido a la tabla.
Tabla n26. 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 n27 utilizando el sistema de ecuaciones (3), los resultados grficos
se incluyen a continuacin.
Tabla n27. 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 n28 utilizando el sistema de ecuaciones (4), y se
representan en las figuras que le preceden.
Tabla n28. 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 15
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 n29.
Tabla n29. 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 10. 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; a i ; 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 a i 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 procedimientos20:
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 .
20
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
Ejemplo 15
Utilizando datos de los puestos de trabajo de la Contabilidad Nacional
Trimestral de Espaa (Tabla n30); se pretende estimar un modelo de
regresin armnica; utilizando los
procedimientos descritos en el apartado
anterior.
Tabla n30.- 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 n31. 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
I (w p ) =
T a 2p + b p2
4
97.124
1.271.162
43.935
30.814
55.447
ap
-44;8839
172;5818
11;68
22;5298
5;4648
bp
-19;0674
-36;6115
30;6486
15;7129
36;4387
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
8;7
7;4
6;5
5;8
5;2
4;7
4;3
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
18.406
27.946
33.012
11.135
25.418
3.233
3.762
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
8;9678
11;529
-24;6934
-11;3012
-17;3912
-7;0126
2;041
-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
19;2418
23;4809
14;0904
12;0382
17;8862
5;475
9;3782
-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( w13 t )
La estimacin mnimo cuadrtica de dicha funcin ofrece los siguientes

resultados:
Tabla n32. Coeficientes de la aproximacin FFF de los Puestos de trabajo
equivalentes a tiempo completo
COEFICIENTES
SENO (13t)
COEFICIENTE
-44;2734
VARIANZA
16;3836
COS (13t)
27;4862
16;6780
SENO (2t)
-27;9863
17;9325
COS(2t)
189;2846
17;1038
-0;2613
0;0605
142;5817
3;3144
12416;8330
38;3522
t2
Constante
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:

R
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. Barnett; W. A. (1983). "New Indices of Money Supply and the Flexible
Laurent Demand System." J. Bus. and Econ. Statist. 7-23.
4. Bartlett M.S. (1954); "Problmes de lanalyse spectrale des sries
temporelles stationnaries. Inst. Statist. Univ. Paris 3; 119-34
5. Bartlett M.S. (1966). An introduction to Stochastic Processes; 2 end.
Ed. Cambridge University Press.
6. Berndt; E. R.; and M. S. Khaled (1979). "Parametric Productivity
Measurement and Choice Among Flexible Functional Forms." J. Polit.
Econ. 87.1220-45.
7. Bhansali; R.J. (1979) A Mixed Spectrum Analysis of the Lynx Data;"
Journal of the Royal Statistical Society; Ser. A; 142(2); 199-209.
8. 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.
9. 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.
10. 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
11. 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.
12. 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
13. http://www.ine.es/revistas/estaespa/104_6.pdf
14. Chalfant J. y Gallant A. (1985); Estimating substitution elasticities with
the Fourier costs function; some Monte Carlo results; Journal of
Econometrics; 28; 205-222.
15. Christensen; L. R.; D. W. Jorgenson; and L. J. Lau. "Transcendental
Logarithmic Production Frontiers." Rev. Econ. and Statist. 55(1973):2845.
16. De Janvry; A. (1972) "The Generalized Power Function." Amer J. Agr.
Econ. 54. 234-37.
17. Deaton A. y Muellbauer J. (1980); "An Almost Ideal Demand System";
American Economic Review; 70; 312-326
18. Denny; M. (1974). "The Relationship Between Forms of the Production
Function." Can. J. Econ. 7.21-31.
19. Despotakis; K. A. (1986). "Economic Performance of Flexible Functional
Forms." Eur. Econ. Rev. 30.1107-43.
20. Diewert; W. E. (1971). "An Application of the Shephard Duality Theorem:
A Generalized Leontief Production Function." J. Polit. Econ. 79. 481-507.
21. Diewert W. y Wales T. (1987); Flexible Functional Forms and Global

Curvature Conditions; conometrica; 55; No. 1; 43-68.
22. Diewert W. y Wales T. (1988); A Normalized Quadratic Semiflexible
Functional Form; Journal of Econometrics; 37; 327-42.
23. 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.
24. Engle R. (1972). Band spectrum regression. Working Paper
Department of economics. MIT. N26. November 1972.
25. 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.
26. Fleissig A.; Kastns T. y Terrell D. (1997); Semi-nonparametric estimates
of substitution elasticities; Economics Letters; 54; No. 3; 209-219.
27. 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.
28. Gallant; A. R.(1981) "On the Bias in Flexible Functional Forms and an
Essentially Unbiased Form." J. Econometrics 15(1981):211-45.
29. Gallant;
A.
R.
(1982).
"Unbiased
Determination
of
Production
Technologies." J. Econometrics 20. 285-323.

30. Gallant; A. R.(1984) "The Fourier Flexible Form." Amer. J. Agr. Econ.
66(1984):204-15.
31. Gallant A. y Golub G. (1984); Imposing Curvature Restrictions on
Flexible Functional Forms; Journal of Econometrics; 26; 295-321
32. 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
33. 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
34. Guilkey D. y Lovell C. (1980); On the Flexibility of the Translog
Approximation; International Economic Review; 21; 137-147.
35. Halter; A. N.; H. O. Carter; and J. G. Hocking. (1957) "A Note on the
Transcendental Production Function." J. Farm Econ. 39. 966-74.
36. Hannan; E. J. (1963); "Regression for Time Series;" in Time Series
Analysis ed. by M. Rosenblatt; John Wiley; 1963.
37. Hannan; E.J.(1971); Non-linear Time Series Regression;" Journal of
Applied Probability; 8; 767-780.
38. Hannan; E.J.(1973); \The Asymptotic Theory of Linear Time Series
Models;" Journal of Applied Probability; 10; 130-145.
39. Heady; E. 0.; and J. L. Dillon; eds. (1961). Agricultural Production
Functions. Ames: Iowa State University Press.
40. Kay; S.M. and Marple; S.L. (1981); Spectrum Analysis - A Modern
Perspective;" Proceedings of the IEEE; 69; 1380-1419.
41. Ladd; G. W. (1979). "Artistic Tools for Scientific Minds." Amer.J. Agr.
Econ. 61.1-11.
42. 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.
43. 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.
44. Marple; S. (1987) Digital Spectral Analysis with Applications; PrenticeHall; Englewood Clis; N.J.
45. Melis F. (1991): La Estimacin del ritmo de variacin de las series
econmicas. Estadstica Espaola. Vol 22. Num. 126; 1991; pgs 7 a
56.
46. http://www.ine.es/revistas/estaespa/126_1.pdf
47. 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.
48. Pyke R. (1959). The supremun and infimum of the Poisson process.
Ann. Math. Statist.30; 568-76.
49. Pisarenko; V.F. (1973); The Retrieval of Harmonics from a Covariance
Function;" Geophysical Journal of Royal Astronomical Society; 33; 347366.
50. 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.
51. Priestley; M.B. (1981); Spectral Analysis and Time Series; Academic
Press; London.
52. Ramajo J. Avances recientes en el anlisis economtrico de la
demanda .http://eco.unex.es/jramajo/ivcnea.pdf
53. Silberberg; E. (1978). The Structure of Economics: A Mathematical
Analysis. New York: McGraw-Hill Book Co.
54. 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.
55. 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
56. Tweeten; L. (1983). "Hypothesis Testing in Economic Science." Amer. J.
Agr. Econ. 65.548-52.
57. Uzawa; H. (1962). "Production Functions with Constant Elasticity of
Substitution." Rev. Econ. Stud. 29.291-99.
58. Villarreal F. (2005): Elementos tericos del ajuste estacional de series
econmicas utilizando X-12-ARIMA y TRAMO-SEATS. Serie 38.
Estudios
estadsticos
Proyecciones Econmicas.
prospectivos
Divisin
de
Estadstica
Santiago de Chile; Diciembre del 2005.
www.eclac.org/publicaciones/xml/9/24099/lcl2457e.pdf
59. Whittle; P. (1952); Tests of Fit in Time Series;" Biometrika; 39; 309-318.
60. White; H. (1980). "Using Least Squares to Approximate Unknown
Regression Functions." Int. Econ. Rev. 21.149-70.
61. Young; P.C.; Pedregal; D.J. and W.Tych (1999); \Dynamic harmonic
regression;" Journal of Forecasting; 18; 369-394.

Curso de Econometria Avanzado

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Curso de Econometria Avanzado

Enviado por

Direitos autorais:

Formatos disponíveis

rhjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyu

Francisco Parra Rodrguez

Multiplicacin se series armnicas. .............................................................. 52

TEMA I.- ANALISIS ESPECTRAL

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

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

( ) viene dado por C ( K ) =

Tabla n1 100 datos generados aleatoriamente

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

promedio t=30 a t=50

promedio t=40 a t=80

promedio t=50 a t=100

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

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

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

Obtenemos una serie que

no es estacionaria; ya que los promedios que

obtenemos son diferentes

promedio t=30 a t=50

promedio t=40 a t=80

promedio t=50 a t=100 32;0157185

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

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

Siendo a i y bi variables aleatorias con2

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

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

varianzas de cada armnico.

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

TEMA II.- ESTIMACIN DEL PERIODOGRAMA DE UNAS SERIE

Ya que cada par de trminos:

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

se pueden expresar como:

la suma puede expresarse solo en funcin del coseno:

sent cos tdt =

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 ),...};

Se verifica probndolo a pares:

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

utilizando las identidades trigonomtricas

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

utilizando las identidades trigonomtricas

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

para cualquier m,n

utilizando la identidades trigonomtricas

Clculo de los coeficientes Fourier

cos (m0 t)dt + a n

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

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

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

Forma compleja de la serie de Fourier

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

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

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

expresin que se conoce como forma compleja de fourier.

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

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

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

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

Clculo del periodograma.

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

, lo que implica que a 0

si es impar; en un modelo especificado

residuo no explicado al que se puede considerar irrelevante (caso