Captulo 2

Procesos Estocasticos Estacionarios

Las series temporales se pueden clasificar en dos tipos:

Series con valores estables alrededor de un nivel constante (captulos
2-4).
Series con tendencias, estacionalidad u otros efectos evolutivos en el
tiempo (captulo 5).

Ejemplo 12 Las series num. 1) y 2) pueden tener un nivel estable, la 3)

y la 4) seguro que no.

Nota 6 La estabilidad depende del periodo de observacion. Por ejemplo,

en una serie anual de la temperatura media en un lugar, cuanto mas anos
se observen, menos problable es que el nivel se mantenga constante.

Nota 7 Los valores sucesivos de una serie suelen ser dependientes, aunque
sea simplemente por inercia.

2.1. Concepto de procesos estocasticos

Proceso estocastico: Conjunto de v.a. (Yt )tI , donde el ndice t toma val-
ores en un conjunto I. Llamamos trayectoria del proceso a una realizacion
del proceso estocastico. Si I es discreto, el proceso es en tiempo discreto.
Si I es continuo, el proceso es en tiempo continuo.
Ejemplo 13 Un ejemplo de proceso en tiempo discreto se obtiene para
I = {1, . . . , n}. En este caso, el proceso es Y1 , Y2 , . . . , Yn , y una trayectoria
se denota por y1 , y2 , . . . , yn .

Ejemplo 14 Un ejemplo de proceso en tiempo continuo se obtiene para

I = [0, T ], I = [0, ] o I = (, ).

39
Serie temporal: Una serie temporal es una realizacion de un proceso
estocastico en tiempo discreto, donde los elementos de I estan ordenados
y corresponden a instantes equidistantes del tiempo.
Si I = {1, . . . , n}, la serie es y1 , y2 , . . . , yn ;
Si I = N, la serie es y0 , y1 , y2 , . . . ,;
Si I = Z, entonces la serie es . . . , y2 , y1 , y0 , y1 , y2 . . ..
Una serie temporal describe la evolucion aleatoria de una variable en el
tiempo.

Ejemplo 15 Un ejemplo de un proceso con I no ordenado es un proceso

espacial, en el que I R2 .

Nota 8 Otra clasificacion de los procesos es atendiendo a los valores que

toman las variables Yt . Si estas son discretas, el proceso se llama tambien
discreto. Si son continuas, el proceso es continuo.

En lo sucesivo, (Yt ) denotara un proceso en tiempo discreto con I = N

o I = Z.

Distribucion n-dimensional de un proceso: Es la funcion de distribu-

cion de un conjunto de n variables del proceso (Y1 , . . . , Yn ), es decir,
F (y1 , . . . , yn ) = P (Y1 y1 , . . . , Yn yn ), n N.
La distribucion de un proceso esta caracterizada por el conjunto de todas
las distribuciones finito-dimensionales.

Ejemplo 16 Paseo aleatorio: Un paseo aleatorio esta definido por

t
X
Yt = aj , donde aj iid N (0, 2 ).
j=1

Hemos generado seis trayectorias de tamano T = 300, y1 , . . . , y300 , de un

paseo aleatorio (Yt ) con 2 = 1, y las hemos representado en la Figura 2.1.
(izquierda). Podemos ver que el grafico de las distintas trayectorias nos da
informacion sobre la distribucion de probabilidad del proceso.

Ejemplo 17 Proceso qumico: Medimos la concentracion de una sus-

tancia cada minuto durante 5 horas. Repetimos esto en distintos das bajo
las mismas condiciones para obtener informacion sobre la distribucion del

40
proceso:
Tenemos varias series de la forma y1 , . . . , y300 provenientes del mismo pro-
ceso, una para cada da.
Sea Yt la distribucion de la concentracion en el minuto t-esimo. Se supone
que la distribucion de Yt es la misma cada da. Entonces, al aumentar el
numero de das, la proporcion con la que yt pertenece a un intervalo (a, b)
converge a la probabilidad P (a < Yt < b). Es decir, obtenemos informacion
sobre la distribucion de Yt repitiendo el experimento.

Figura 2.1: Varias trayectorias de dos procesos

Paseo aleatorio Proceso qumico
30

50
20

40
10

concentration [%]

30
0

20
10
20

10
30

0 50 100 150 200 250 300 0 50 100 150 200 250 300

time time

Ejemplo 18 Temperatura en Dusseldorf: (serie num. 23, 1/1991-12/2003):

Si consideramos que la distribucion de la temperatura es la misma en cada
uno de los 13 anos observados, entonces tenemos 13 trayectorias del pro-
ceso con 12 variables aleatorias cada una (una por mes). Vease la Figura
2.3 izquierda.
Podemos hacer lo mismo con la serie de las lluvias (serie num. 24). Vease
la Figura 2.3 derecha.

Nota 9 Para obtener informacion sobre la distribucion conjunta del pro-

ceso necesitamos observar muchas realizaciones del este proceso. Si no se

41
 Figura 2.2: Variables climaticas en Dusseldorf.
25
Temperatura lluvia

150
20
15

100
10
5

50
0
5

0
2 4 6 8 10 12 2 4 6 8 10 12

month month

dispone de varias realizaciones o trayectorias, es necesario realizar hipotesis

adicionales que simplifiquen la distribucion del proceso. Hipotesis habit-
uales:
Suponer que la distribucion conjunta es normal multivariante. En-
tonces quedara determinada por las medias, varianzas y covarianzas.
Restringirse a un analisis lineal: Especificar medias, varianzas y co-
variances tambien sera suficiente si solo estamos interesados en las
relaciones lineales entre las variables del proceso.

Proceso Normal: Un proceso (Yt )tN es Normal si todas las distribuciones

finito-dimensionales son normales.
Funcion de medias: La funcion de medias de un proceso estocastico
(Yt )tI es una funcion de t que proporciona las esperanzas de las variables
Yt
t = E(Yt ), t I.
Funcion de varianzas: La funcion de varianzas de un proceso estocastico
(Yt )tI es una funcion de t que proporciona las varianzas de las Yt
t2 = V ar(Yt ), t I.
Funcion de autocovarianzas: La funcion de autocovarianzas de un pro-
ceso estocastico (Yt )tI es una funcion que describe las covarianzas entre

42
las variables del proceso en cada par de instantes
t1 ,t2 = Cov(Yt1 , Yt2 ) = E[(Yt1 t1 )(Yt2 t2 )] , t1 , t2 I .
Funcion de autocorrelacion: La funcion de autocorrelacion de un pro-
ceso estocastico (Yt )tI es una funcion de dos instantes que describe las cor-
relaciones entre las variables en un par de instantes t1 , t2 I cualesquiera
t ,t
t1 ,t2 = Cor(Yt1 , Yt2 ) = 1 2 , t1 , t2 I .
t1 t2
Nota 10 Se verifica:
t,t = t2 para cada t I.
Las dimensiones de las autocovarianzas son los cuadrados de la serie.
Las autocorrelaciones permiten comparar distintas series ya que son
adimensionales.

2.2. Procesos estacionarios

En muchas situaciones solo se ha observado una realizacion del proceso;

por ejemplo, en la serie num. 2) de manchas solares o en la num. 3) de
la poblacion en EE.UU. Entonces, para poder estimar las caractersticas
del proceso (medias, varianzas o autocovarianzas) necesitamos suponer que
son estables a lo largo del tiempo; es decir, que el proceso sea estacionario.

Un proceso estocastico (Yt )tZ es:

estable en media si t = = cte.
estable en varianza si t2 = y2 = cte.
estable en autocovarianza si t1 ,t1 +h = t2 ,t2 +h = h para cualquier
par de instantes t1 , t2 Z y cualquier h Z.
estacionario en sentido debil si es estable en media y en autoco-
varianza.
estacionario en sentido estricto si las distribuciones marginales
de todas las variables son identicas, y ademas la distribucion finito-
dimensional de cualquier conjunto de variables solo depende de los
retardos. Es decir, si
Ft1 ,...,tk (y1 , . . . , yk ) = Ft1 +h,...,tk +h (y1 , . . . , yk )

43
 para cualquier k N, t1 , . . . , tk , h Z, y y1 , . . . , yk R, donde Ft1 ,...,tk
denota la distribucion conjunta de Yt1 , . . . , Ytk .

X La estacionaridad en sentido estricto es una condicion muy fuerte y

difcil de comprobar en la practica.
X La estacionaridad debil no implica la estricta, salvo para procesos nor-
males.

Ejemplo 19 La poblacion de EE.UU. (serie num. 3) no es estacionaria en

la media. El crecimiento del alquiler (num. 1) parece estable en la media,
pero no en la varianza. La serie de pasajeros (num. 19) no parece estable
en la media ni en la varianza.
Puede ocurrir que una serie sea estable en la varianza pero no en la media,
aunque esto es dificil de distinguir en un grafico.

Propiedades de series estables en autocovarianza:

0 = y2
h = h
h = h , llamando h = h /0 al coeficiente de autocorrelacion.
Funcion de autocorrelacion simple (fas): Es la funcion de autocor-
relacion entre variables separadas h instantes para series estables en auto-
covarianza. Se denota por h . Proporciona las correlaciones en funcion del
retardo h.

Proceso de ruido blanco: Llamamos ruido blanco a un proceso (Yt ) si:

E(Yt ) = 0
V ar(Yt ) = 2
Cov(Yt , Yt+h ) = 0, h = 1, 2, . . .
Si ademas Yt es un proceso Normal, entonces todas las variables del proceso
son independientes. En este caso, (Yt ) se llama ruido blanco normal.

Ejemplo 20 Sea (Yt )tZ un ruido blanco y definimos el proceso Zt = Yt +

Yt1 . Comprobar si (Zt )tZ es estacionario en sentido debil.
La funcion de medias viene dada por

E(Zt ) = ...

44
La funcion de autocovarianzas viene dada por

Cov(Zt , Zt+h ) = ...

Tenemos que distinguir tres casos:

Cov(Zt , Zt+h ) = ...

Ejemplo 21 Sea (Yt ) un proceso estacionario con E(Yt ) = y Xt otro

proceso definido por

Yt , si t es impar
Xt =
Yt + 1 si t es par.
Observerse que Cov(Xt , Xt+h ) = Cov(Yt , Yt+h ) = h es estable, pero la
esperanza de (Xt ) no lo es, ya que

, si t es impar
E(Xt ) =
+ 1 si t es par.

Ejemplo 22 Compruebese que un paseo aleatorio (Yt ) definido por Yt =

P t
j=1 at tiene esperanza cero, pero no es estacionario.
Efectivamente, la esperanza es

E(Yt ) = ...

La covarianza entre dos instantes separados en h unidades es

Cov(Yt+h , Yt ) = ...

45
Matrices de autocovarianzas y de autocorrelaciones de orden h:
Para un proceso estacionario, las matrices de autocovarianzas y de auto-
correlaciones
de orden h son:
0 1 . . . h1 0 1 . . . h1
. .. . ..
1 0 . . . 1 0 . . .

h = . . , Rh = . .
.. .. .. ..

1 1
h1 . . . 1 0 h1 . . . 1 0

Estabilidad de procesos estacionarios ante combinaciones lineales

(i) Si multiplicamos un proceso estacionario por una constante, resulta
un proceso estacionario.
(ii) Si sumamos varios procesos que son conjuntamente estacionarios, la
suma tambien lo es.
Ejemplo 23 (Incrementos) Sea (Yt ) un proceso estacionario, y defin-
imos el proceso de incrementos Zt = Yt Yt1 . Compruebese que (Zt )
es estacionario.
Efectivamente,
E(Zt ) = ...
V ar(Zt ) = ...

Cov(Zt , Zt+h ) = ...

(iii) Un proceso que es combinacion lineal de procesos estacionarios es

estacionario: sea c = (c1 , . . . , ck ) un vector de constantes e Yt =
(Y1t , . . . , Ykt ) un vector de k procesos conjuntamente estacionarios; es
decir, cada (Yit ) es estacionario y las covarianzas entre dos variables
de distintas componentes i y j solo dependen de i, j y del retardo. Sea
Zt = c Yt :
E(Zt ) = ...
V ar(Zt ) = ...
Cov(Zt , Zt+h ) = ...

46
2.3. Estimacion

Sea (Yt ) un proceso estacionario con media = E(Yt ), varianza 2 =

V ar(Yt ) y funcion de autocovarianzas h = Cov(Yt , Yt+h ). Si solo tenemos
una realizacion y1 , . . . , yn del proceso, como estimamos sus caractersticas?

Media muestral: La media muestral del proceso es

n
1X
= Y = Yn
n t=1

Varianza muestral: La varianza muestral es

n
2 1X
S = (Yt Y )2
n t=1

y la desviacion tpica muestral es

S= S2

Autocovarianzas muestrales (funcion de autocovarianza emprica)

nh
1X
ch = (Yt Y )(Yt+h Y )
n t=1

Autocorrelacion muestral (funcion de autocorrelacion emprica)

ch
rh =
c0
Correlograma: grafico de la funcion de autocorrelacion emprica en
funcion del retardo.

Propiedades:
La media muestral es un estimador insesgado de :

E(Y ) = ...

47
 Varianza de la media muestral:
n
!
1X
V ar Yt = ...
n t=1

X Si h = 0, h > 0, entonces V ar(Y ) = 0 /n.

X Si h 6= 0 para algun h > 0, entonces V ar(Y ) 6= 0 /n.
X El segundo termino no tiene por que converger cuando n tiende a
infinito; por tanto, la media muestral no tiene por que ser consistente
para la media poblacional .

Proceso ergodico: Un proceso estacionario en sentido debil es ergodico

para la estimacion de la media si
n
V ar(Y ) .
Ejemplos de procesos no ergodicos:
Proceso constante: Un proceso en el que Y1 = Y2 = . . ., donde
h = 0 para cualquier h N, no es ergodico.
Efectivamente, la varianza de la media muestral es

V ar(y) = ...

Proceso periodico: El proceso

Yt = A cos(t + ) + at

48
 no es ergodico, puesto que las autocorrelaciones son periodicas y no
tienden a cero. La serie 21 es una trayectoria de un proceso de este
tipo con = 0,4, A = 1,5 y = 0,5.

Nota 11 Para que un proceso sea ergodico, la observaciones nuevas tienen

que aportar suficiente informacion para que la varianza converga a 0. Esto
no occurre si la dependencia entre las variables es muy fuerte.
Una condicion necesaria pero no suficiente para que un proceso estacionario
sea ergodico es
lm h = 0,
h
es decir, que la correlacion entre las observaciones tienda a 0 al aumentar
el retardo, de manera que las observaciones suficientemente alejadas sean
practicamente independientes.

Figura 2.3: Autocorrelaciones y ergodicidad

Correlograma de un proceso ergodico Correlograma de un proceso no ergodico
Series AR1 Series CP
1.0

1.0
0.8
0.8

0.6
0.6

0.4
ACF

ACF
0.4

0.2
0.0
0.2

0.2
0.0

0 10 20 30 40 0 10 20 30 40

Lag Lag

49
Propiedades de las autocovarianzas y las autocorrelaciones:
La autocovarianza emprica es sesgada. Se recomienda estimar solo
autocovarianzas para retardos h n/4 para que haya al menos 4
datos para estimar.
La autocorrelacion estimada rk tiene distribucion asintoticamente nor-
mal con media k , es decir
d
rk N (k , V ar(rk )).

Su varianza y la covarianza entre dos autocorrelaciones vienen dadas

por las formulas de Bartlett:

1 X 2
i + ik i+k 4k i ik + 22i 2k


V ar(rk ) =
n i=

1 X
Cov(rk , rk+h ) = (i ih + ik i+k+h 2k+h i ik 2k i ikh
n i=
+22i k k+h

En un proceso con tendencia, el correlograma disminuye muy lenta-

mente.
En un proceso estacional, el correlograma muestra la misma periodi-
cidad que el proceso.

Nota 12 Si solo las primeras q autocorrelaciones 1 , . . . , q son distintas

de cero, las varianzas de las estimaciones se aproximan por
q
!
nk X
V ar(rk ) 1+2 2j , k > q.
n(n + 2) j=1

Contraste de ruido blanco: Bajo la hipotesis h = 0, h N, pode-

d
mos aproximar V ar(rk ) 1/n para n grande. En ese caso, como rk
N (k , 1/n), entonces
rk k d
p N (0, 1).
1/n
De esto, se obtiene el intervalo de confianza asintotico
2
IC95 % (k ) = rk .
n

50
 Es decir, con el 95 % de probabilidad, h tiene que estar en el intervalo

(rh 2/ n, rh + 2/ n). Por tanto, se espera que solo uno de cada 20
coeficientes se salga de estas bandas.

Ejemplo 24 Calculamos las primeras autocorrelaciones muestrales para

las leguas recorridas por Colon en su primer viaje:
9 + 45 + 60 + . . . + 31 + 59 + 49
y = = 31,83
34
(9 31,83)2 + (45 31,83)2 + . . . + (59 31,83)2 + (49 31,83)2
s2 = = 266,97
34
(9 31,83)(45 31,83) + (45 31,83)(60 31,83) + . . . + (59 31,83)(49 31,83)
c1 = = 138,82
34
c1
r1 = = 0,52
s2
(9 31,83)(60 31,83) + . . . + (31 31,83)(49 31,83)
c2 = = 5,3
34
c2
r2 = = 0,02
s2

Figura 2.4: Leguas diarias recorridas por Colon (izq.) y su correlograma (der.)
1.0
60

0.8
50

0.6
40

0.4
leguas

ACF
30

0.2
20

0.0
0.2
10

0 5 10 15 20 25 30 35 0 5 10 15

dia Lag

51
 Figura 2.5: Ejemplo 2: Ruido blanco normal (izq.) y correlogramas (der.)
ruido 100 observaciones
Series ruido[1:100]
200 observaciones
Series ruido

1.0

1.0
3

0.8

0.8
2

0.6

0.6
1

ACF

ACF
0.4

0.4
0

0.2

0.2
1

0.0

0.0
2

0.2

0.2
0 50 100 150 200 0 5 10 15 20 0 5 10 15 20

time Lag Lag

Figura 2.6: Lluvia en Dusseldorf, correlograma (izq.) y periodograma (der.)

Series lluvia Series: Rainfall

Raw Periodogram

5000
1.0

2000
0.8

500
0.6

spectrum

100
ACF

0.4

50
0.2

20
10
0.0

5
2
0.2

0 5 10 15 20 0.0 0.1 0.2 0.3 0.4 0.5

Lag frequency
bandwidth = 0.00180

52
APENDICE A. NOTACION DE OPERADORES

Operador retardo: El operador retardo de una funcion del tiempo en un

instante proporciona la funcion en el instante anterior:
Bxt = xt1 .
Propiedades del operador retardo: Si a, b son constantes que no de-
penden del tiempo y xt , yt son funciones del tiempo t, se verifica:
Ba = a;
B(axt ) = aBxt ;
B(axt + byt ) = aBxt + bByt ;
B k xt = xtk . B k se llama operador retardo de orden k.
Operador diferencia: El operador diferencia proporciona la diferencia
entre la funcion en un instante y la misma funcion en el instante anterior:
xt = xt xt1 .
Se verifica que = 1 B. Efectivamente,
xt = xt xt1 = xt Bxt = (1 B)xt .
Este operador se puede aplicar sucesivamente de la forma
2 xt = (xt ).
Operador diferencia de orden s: Este operador proporciona la difer-
encia entre la funcion en un instante y la misma funcion en s instantes
antes,
xt = xt xts .
Operador inverso: Sea (B) una funcion polinomica del retardo B. Se
define el operador inverso de (B) como el operador (B)1 que verifica
(B)(B)1 xt = (B)1 (B)xt = xt
o equivalentemente,
(B)(B)1 = (B)1 (B) = 1.
Ejemplo 25 Para el operador retardo B, el operador inverso B 1 es el
operador adelanto. Efectivamente, si tomamos B 1 xt = xt+1 , entonces
B 1 Bxt = B 1 xt1 = xt y BB 1 xt = Bxt+1 = xt .

53
Ejemplo 26 Para el operador (B) = 1 B, el operador inverso es el
operador infinito dado por:

(B)1 = (1 B)1 = 1 + B + 2 B 2 + 3 B 3 +

Efectivamente, haciendo el producto obtenemos

(B)(B)1 = (1 B)(1 + B + 2 B 2 + 3 B 3 + )
= (1 + B + 2 B 2 + 3 B 3 + ) (B + 2 B 2 + 3 B 3 + )
= 1.

54
APENDICE B. ECUACIONES LINEALES EN DIFERENCIAS

Ecuacion lineal en diferencias de orden k: Sea xt una funcion del

tiempo y c una constante. Una ecuacion lineal en diferencias de orden k es

xt 1 xt1 2 xt2 k xtk = c.

En esta ecuacion, la funcion xt es la incognita y los coeficientes 1 , . . . , k

son conocidos.
Resolver la ecuacion consiste en encontrar una funcion xt que sea solu-
cion de la ecuacion.
A menudo existen muchas soluciones para una ecuacion lineal en difer-
encias.
Para encontrar una solucion se necesita tener k condiciones iniciales
x0 , . . . , xk1 .
Si c = 0, la ecuacion en diferencias se llama homogenea.
La ecuacion en diferencias se puede escribir en funcion del operador
retardo,
(1 1 B 2 B 2 k B k )xt = c
Si llamamos (B) = 1 1 B 2 B 2 k B k , podemos escribir
la ecuacion como
(B)xt = c.

El polinomio caracterstico de la ecuacion en diferencias es

(B) = 1 1 B 2 B 2 k B k .

Se llama ecuacion caracterstica a la ecuacion homogenea

(B) = 0.

Solucion particular: Es una solucion concreta de la ecuacion. Por ejem-

plo, una constante es a menudo solucion de la ecuacion.
Efectivamente, si reemplazamos xt = x en la ecuacion, obtenemos

x(1 2 2 k ) = c.

55
Despejando x, obtenemos
c
x= .
1 2 2 k
Solucion general: Es un conjunto de soluciones particulares. Si se tiene
una solucion Gt de la ecuacion homogenea (B)xt = 0 y una solucion
particular Ht de la ecuacion completa (B)xt = c, entonces
x t = G t + Ht
es una solucion general de la ecuacion completa (B)xt = c.
Efectivamente, si reemplazamos xt = Gt + Ht en la ecuacion completa,
como (B)Gt = 0 y (B)Ht = c, obtenemos
(B)(Gt + Ht ) = (B)Gt + (B)Ht = (B)Ht = c.
Ecuaciones lineales en diferencias homogeneas: Consideramos una
ecuacion homogenea del tipo
xt 1 xt1 2 xt2 k xtk = 0
(1 1 B 2 B 2 k B k )xt = 0
(B)xt = 0.
Ejemplo 27 (Ecuacion en diferencias homogenea de primer orden)

xt xt1 = 0.
La solucion se puede encontrar de forma recursiva a partir de una condicion
inicial x0 . Aplicando la formula de la ecuacion en diferencias para t =
1, 2, 3, . . ., se tiene
x1 = x0 ,
x2 = x1 = 2 x0
x3 = x2 = 3 x0
...
xt = t x0 .
Propiedades de las ecuaciones homogeneas: Si Gt y Ht son soluciones
de la ecuacion homogenea (B)xt = 0, A y B son constantes cualesquiera,
entonces tambien son soluciones las siguientes:
(i) AGt ;

56
(ii) Gt + Ht ;
(iii) AGt + BHt .
Prueba: (i) Reemplazando xt = AGt en la ecuacion, como (B)Gt = 0,
entonces
(B)AGt = A(B)Gt = 0.
(ii) Reemplazando ahora xt = Gt + Ht en la ecuacion, como (B)Gt = 0 y
(B)Ht = 0, entonces
(B)(Gt + Ht ) = (B)Gt + (B)Ht = 0.
(iii) Por (i), AGt y BHt son soluciones de la ecuacion. Por (ii), la suma de
ambas tambien es solucion. 2
Resolucion de una ecuacion en diferencias homogenea: Si G es el
inverso de una solucion de la ecuacion caracterstica (B) = 0, entonces
xt = AGt es solucion de la ecuacion homogenea, donde A 6= 0 es una con-
stante.
Efectivamente, si reemplazamos xt = AGt en la ecuacion homogenea,
obtenemos
A(Gt 1 Gt1 2 Gt2 k Gtk ) = 0.
Dividiendo la ecuacion por A y por Gtk , se llega a una ecuacion de grado
k,
Gk 1 Gk1 2 Gk2 k = 0.
que tiene k soluciones reales o complejas, y que pueden tener multiplicidad
distinta de uno. As, si tenemos una solucion G de esta ecuacion, entonces
xt = Gt verifica la ecuacion homogenea.
Si ahora dividimos la ultima ecuacion por Gk , se obtiene
1 1 1
1 1
2 2 k k = 0.
G G G
Si hacemos el cambio de variable B = 1/G, la ecuacion resultante es
1 1 B 2 B 2 k B k = 0,
que es exactamente la ecuacion caracterstica. Una solucion B de esta
ecuacion esta relacionada con una solucion de la ecuacion anterior G de la
forma G = 1/B.
Por tanto, si B es solucion de la ecuacion caracterstica, entonces xt = AGt
con G = 1/B es solucion de la ecuacion homogenea.

57
Ejemplo 28 (Ecuacion en diferencias homogenea de orden 1)
xt xt1 = 0.
Comprobemos que la solucion viene dada por xt = AGt , donde G1 es
la solucion de la ecuacion caracterstica, y A viene determinada por las
condiciones iniciales.
Solucion de la ecuacion caracterstica:
1 B = 0 1 B = 0 B = 1/.
Por tanto, G = y la solucion sera xt = At . Reemplazando ahora la
solucion inicial en la ecuacion, obtenemos x0 = A0 = A. Por tanto, la
solucion es xt = x0 t .

Solucion general de una ecuacion en diferencias homogenea de

orden k: Sean G1 , . . . , Gp las inversas de las soluciones reales distintas
de la ecuacion caracterstica (B) = 0, con multiplicidades m1 , . . . , mp .
Entonces la solucion general de la ecuacion en diferencias homogenea es
p
X
xt = (Ai1 + Ai2 t + + Aimi tmi 1 )Gti .
i=1

Observese que si todas las races G1 , . . . , Gk de la ecuacion caracterstica

tienen multiplicidad mi = 1, i = 1, . . . , k, entonces la solucion es
xt = A11 Gt1 + + Ak1 Gt1 .
Ejemplo 29 (Ecuacion en diferencias homogenea de orden 2)
xt 1 xt1 2 xt2 = 0.
La solucion depende de las races de la ecuacion
G2 1 G 2 = 0,
que vienen dadas por p
21 + 42
1
G= .
2
(a) Si 2 > 21 /4, hay dos soluciones reales distintas G1 y G2 . Entonces
la solucion de la ecuacion homogenea es
xt = A1 Gt1 + A2 Gt2 .

58
 Las constantes A1 y A2 se obtienen a partir de dos condiciones iniciales
x0 y x1 . Tomando t = 0 y t = 1 en la solucion xt , obtenemos:

x0 = A1 + A2
x1 = A1 G1 + A2 G2 .

A1 y A2 se obtienen despejando de dicho sistema lineal.

(b) Si 2 = 21 /4, hay una solucion G con multiplicidad 2. Entonces la
solucion de la ecuacion homogenea es

xt = (A1 + A2 t)Gt .

(c) Si 2 < 21 /4, entonces tenemos dos soluciones complejas conjugadas

G1 = a + bi y G2 = a bi. Entonces

xt = A1 (a + bi)t + A2 (a bi)t .

Las constantes A1 y A2 se determinan a partir de las condiciones ini-

ciales x0 y x1 . Tomando t = 0 y t = 1 en la solucion xt se obtiene el
sistema

x0 = A1 + A2
x1 = A1 (a + bi) + A2 (a bi)

Las soluciones son numeros complejos conjugados. Los escribimos de

la forma
1 1
A1 = B + Ci
2 2
1 1
A2 = B Ci
2 2
Estos numeros verifican

A1 + A2 = B
A1 A2 = Ci

Ahora escribimos las soluciones de la ecuacion en coordenadas polares:

a = r cos w
b = r sen w

59
 donde r2 = a2 + b2 . Reemplazando esto en xt , obtenemos
xt = A1 (r cos w + ir sen w)t + A2 (r cos w ir sen w)t
rt A1 (cos w + i sen w)t + A2 (cos w i sen w)t
 
=
= rt [A1 (cos wt + i sen wt) + A2 (cos wt i sen wt)]
= rt [(A1 + A2 ) cos wt + i(A1 A2 ) sen wt]
= rt (B cos wt C sen wt).
Si ahora hacemos el cambio
B = A sen
C = A cos
Sustituyendo esto en la solucion xt y aplicando la formula para el seno
de una diferencia, obtenemos
xt = rt [A cos cos wt A sen sen wt]
= A rt sen(wt ),
que es una funcion sinusoidad con amplitud variable con el tiempo A rt
y angulo de desfase . Si |r| < 1, la amplitud decrece con el tiempo
de forma exponencial.

Condiciones de estabilidad de las soluciones de una ecuacion ho-

mogenea: Consideremos una ecuacion en diferencias homogenea de orden
k,
xt 1 xt1 2 xt2 k xtk = 0.
Se dice que la solucion xt es estable si verifica:
< lm xt < .
t

Asumimos por simplicidad que las races de la ecuacion caracterstica

G1 1
1 , . . . , Gk tienen multiplicidad 1. La solucion de la ecuacion en diferen-
cias es entonces:
xt = A1 Gt1 + + Ak Gtk .
De esta solucion, se deduce que las condiciones de estabilidad son
|Gi | 1, i = 1, . . . , k.
Es conveniente escribir estas condiciones en funcion de los coeficientes de
la ecuacion en diferencias.

60
Ejemplo 30 (Ecuacion en diferencias homogenea de primer orden)
La solucion xt = x0 t de una ecuacion en diferencias homogenea de primer
orden es estable si || < 1.

Ejemplo 31 (Ecuacion en diferencias homogenea de orden 2) Tenemos

que diferenciar los mismos tres casos que en el Ejemplo 29.
(a) 2 > 21 /4: Hay dos races reales distintas y xt = A1 Gt1 + A2 Gt2 ,
donde G1 y G2 son soluciones de
G2 1 G 2 = 0,
que vienen dadas por
p
1 21 + 42
G= .
2
La solucion xt es estable si |G1 | < 1 y |G2 | < 1. Esccribimos dichas
condiciones en funcion de los coeficientes de la ecuacion homogenea:
p
Como 21 + 42 > 0, entonces la solucion con el signo negativo es
menor que la solucion con el signo positivo. Por tanto, la solucion
mayor debe verificar
p
1 + 21 + 42
q
< 1 21 + 42 < 2 1 21 + 42 < 4 41 + 21
2
1 + 2 < 1.
La solucion menor debe cumplir
p
1 21 + 42
q
> 1 21 + 42 < 2 + 1 21 + 42 < 4 + 41 + 21
2
2 1 < 1.
Es decir, la solucion es estable si
1 + 2 < 1 y 2 1 < 1.

(b) 2 = 21 /4: Hay una solucion real G con multiplicidad 2, y la solucion

es xt = (A1 + A2 t)Gt . La solucion viene dada por G = 1 /2, con lo
cual
xt = A1 (1 /2)t + A2 t(1 /2)t .
El primer termino es estable si |1 | < 2. En ese caso, se cumple
lm t(1 /2)t = 0,
t

61
 con lo que el segundo termino tambien es estable. Como 2 = 21 /4,
donde 21 < 4, o equivalentemente, 21 > 4, entonces

2 = 21 /4 > 1.

Por tanto, las condiciones de estabilidad son

2 < 1 < 2 y 1 < 2 < 0.

(c) 2 < 21 /4: Las soluciones son complejas conjugadas G1 = a + bi y

G2 = a bi, y xt se puede escribir como

xt = A rt sen(wt ).

Esta solucion es estable si la amplitud Art converge a cero, y esto

ocurre cuando |r| < 1. Escribimos esta condicion en funcion de los
coeficientes de la ecuacion homogenea. Las soluciones G1 y G2 se ob-
tienen a partir de p
1 21 + 42
G= .
2
Es decir,
p
1 + i |21 + 42 |
G1 = a + bi =
p2
1 i |21 + 42 |
G2 = a bi =
2
Por tanto, el modulo de ambas soluciones es

2 2 2 2 |21 + 42 | 2 21 + 42
r =a +b = + = = 2 .
4 4 4 4

Por tanto, r = 2 , y como 2 <21 /4 < 0, la solucion es estable
si 1 < 2 0. Como |1 | < 2 2 , entonces tambien debe ser
|1 | < 2. Por tanto, la solucion xt es estable si

2 < 1 < 2 y 1 < 2 0.

62
Ecuacion en diferencias con termino de error: Es una ecuacion del
tipo
xt = c + 1 xt1 2 xt2 k xtk + t .
Ejemplo 32 Considera la ecuacion de primer orden
xt = c + xt1 + t .
A partir de las condiciones iniciales x0 y x1 y de forma recurrente, calcu-
lamos la solucion de la ecuacion:
x1 = c + x0 + 1 ;
x2 = c + x1 + 2
= c + (c + x0 + 1 ) + 2
= c(1 + ) + 2 x0 + (1 + 2 );
x3 = c + x2 + 3
= c + c(1 + ) + 2 x0 + (1 + 2 ) + 3
 

= c(1 + + 2 ) + 3 x0 + 2 1 + 2 + 3
...
Xt1 t1
X
i t
xt = c + x0 + i ti
i=0
t1
"i=0
t1
#
X X
= c i + t x0 + (B)i t .
i=0 i=0

Suponiendo || < 1 y utilizando la formula de una suma finita de potencias,

t1
X 1 t
i = ,
i=0
1
y sustituyendo esto en xt , obtenemos
  t1
c c t
X
xt = + x0 + i ti .
1 1 i=0

Observese que esta solucion es del tipo

" #
X
xt = AGt + b0 + i ti = Sol. general de la ec. homogenea+Sol. particular.
i=0

Esta es la clave del metodo de resolucion de este tipo de ecuaciones en

diferencias.

63
Resolucion de ecuaciones en diferencias con termino de error: El
metodo consiste en:
(a) Encontrar la solucion general de la ecuacion en diferencias homogenea,
que omite la constante y el termino de error;
(b) Encontrar una solucion particular de la ecuacon completa. Habitual-
mente se prueba con una solucion del tipo

X
xt = b0 + i ti .
i=0

Las constantes b0 y i se obtienen reemplazando esta solucion en la

ecuacion completa, agrupando los terminos con el mismo termino de
error y determinando los coeficientes de dichos terminos de error de
forma recursiva.
(c) Sumar las dos soluciones.

Ejemplo 33 Aplicamos este metodo a la ecuacion del Ejemplo 32,

xt = c + xt1 + t .

(a) Solucion general de la ecuacion homogenea

xt xt1 = 0 (1 1 B)xt = 0.

La solucion de la ecuacion caracterstica es B = 1/. Por tanto, la

solucion es general es Gt = At .
(b) Solucion particular de la ecuacion completa. Probamos con la solucion

X
Ht = b 0 + i ti .
i=0

Las constantes de la ecuacion particular b0 , i , i = 1, 2, . . ., se obtienen

reemplazando esta solucion en la ecuacion completa

!
X X
b0 + i ti = c + b0 + i ti + t
i=0 i=0

Desarrollando los sumatorios, la ecuacion es

b0 +0 t +1 t1 +2 t2 + = c+ (b0 + 0 t + 1 t1 + 2 t2 + )+t .

64
 Igualando los terminos independientes, los terminos en t , los terminos
en t1 , etc., de cada lado de la igualdad, obtenemos

b0 = c + b0 b0 = c/(1 );
0 = 1;
1 = 0 = ;
2 = 1 = 2 ;
...
i = i .

Por tanto, la solucion particular es

c X
Ht = + i ti .
1 i=0

(c) Finalmente, la solucion general es

c X
x t = G t + Ht = + i ti + At .
1 i=0

La constante A se determina a partir de una condicion inicial x0 .

Tomando t = 0 en la ecuacion, obtenemos

c X
x0 = + i i + A.
1 i=0

Despejando A,

c X
A = x0 + i i .
1 i=0

65