MODELOS DE SERIES TEMPORALES CON INTERVENCIN

Las series temporales a menudo se ven afectadas por cambios en el entorno donde
se producen. Estos cambios afectan a la evolucin de la serie y deben ser incorporados al modelo.
Estos modelos se denominan modelos con intervencin.
La intervencin se define mediante una variable escaln
Si t* es el momento en el que se produjo la intervencin
I
t*
(t) = si t t*
= ! si t " t*
Los efectos de la intervencin pueden ser
Permanentes. Los efectos son permanentes si la intervencin permanece desde el
momento en que se produjo
Transitorios. Los efectos son transitorios si el efecto solo dura mientras se produce la
intervencin. En este caso la intervencin tiene la forma (#$) I
t*
.
%na ve& identificado el instante en el que se produce la intervencin' (sta la modelamos
como una funcin de I
t*
' cociente de dos polinomios
f (I
t*
) = () ($)*()) I
t*
en caso de efectos permanentes
f (I
t*
) = () ($)*()) (#$) It
*
para efectos transitorios.
El polinomio de numerador refleja el cambio en la serie postintervenida. El polinomio del
denominador indica la velocidad a la que la serie se apro+ima al proceso estacionario
postintervenido. ,eneralmente un -rado ! del polinomio numerador y un -rado del
denominador son suficientes para modelar la mayor.a de las intervenciones.
Efectos permanentes Efectos transitorios
Instant/neo0 f(I
t*
) = 1
!
I
t*
1
!
= f(I
t*
) = 1
!
(#) I
t*
1
!
=
0
0,2
0,4
0,6
0,8
1
13579
1
1
1
3
0
0,2
0,4
0,6
0,8
1
13579
1
1
1
3
,radual0 f(I
t*
) = (1
!
*#
1
) I
t*
1
!
=
1
=0.5 f(I
t*
) = (1
!
*#
1
) (1) I
t*

0
0,5
1
1,5
2
13579
1
1
1
3
0
0,1
0,2
0,3
0,4
0,5
13579
1
1
1
3

El modelo completo se escribe

2
t
= f(I
t*
) 3 4
t
Siendo f la funcin que modela la intervencin y 4
t
un modelo estacionario.
5ara construir el modelo' se parte de un modelo anterior para la serie 2
t
que nos servir/
para identificar el ruido 4
t
y la funcin f se construye pensando en los posibles efectos de la
intervencin' bien por el conocimiento previo o por el comportamiento de los datos.
MODELOS DE FUNCIN DE TRANSFERENCIA
Los modelos vistos 6asta a6ora son modelos univariantes. Se modela la serie como un
filtro' es decir como una combinacin lineal de valores pasados y presentes.
76ora veremos un modelo que relaciona una serie con sus valores pasados y presentes y
con los valores pasados y presentes de otra serie.
Sean 8
t
e 2
t
dos series temporales estacionarias. 8
t
representa el input o variable causa e
2
t
el output o variable respuesta. 4
t
es un ruido incorrelado con la serie input 8
t
que ser/
modelado como 79:7.
El modelo final se e+presa
2
t
=

v
j
8
t#j
3 4
t
El operador
; ($) =

v
j
$
j
se llama funcin e transferencia y los pesos v
i
son los pesos im!u"so#
res!uesta del sistema.
Si los par/metros v
!
= v

= . . . = v
b#
' entonces las variaciones en el input se manifiestan
en el output b retardos despu(s.
En la formulacin del modelo' se supone que el presente y el pasado del input influyen en
el presente del output' pero no al rev(s' es decir' no e+iste retroalimentacin o <feed#bac=>. Los
modelos de funcin de transferencia se diferencian de los modelos de re-resin principalmente
en0
a) 5ermiten que los errores est(n correlados.
b) La relacin entre el re-resor y la variable independiente es una relacin din/mica
output#input.
c) ?anto la variable dependiente como la independiente presentan autocorrelacin.
4os limitaremos a modelos en los que

v
j
$
j
"

Si @$@ ' es decir cambios finitos en
el input producen cambios finitos en el output.
; () =

v
j
= - " .
A
7 - se le denomina $anancia del sistema y representa el valor del output si el input es
constante e i-ual a y no 6ay perturbacin.
El modelo presenta un problema y es que tiene infinitos par/metros' una alternativa ser.a
truncar el polinomio ; ($)' es decir' 2
t
= v
!
8
t
3 v

8
t#
3 ... 3 v
6
8
t#6
3 4
t
. Bonde 6 se eli-e de
forma que el efecto de los retardos posteriores a 6 sea despreciable' sin embar-o es una decisin
dif.cil y puede evitarse poniendo ; ($) como cociente de dos polinomios.
; ($) = ) ($) $
b
* ($)
) ($) = 1
!
3 1

$ 3 ... 3 1
s
$
s
($) = #
1
B -
2
B
2
- ... -
r
$
r
Be esta forma se reduce el nCmero de par/metros y el modelo es
2
t
= D) ($) $
b
* ($)E 8
t
3 4
t
Si no e+iste perturbacin' es decir 4
t
= ! el modelo ser.a
( #
1
$ -
2
$
2
- ... -
r
$
r
) 2t = (1
!
3 1

$ 3 ... 3 1
s
$
s
) $b 8
t
E+presin an/lo-a a la de un modelo 79:7(r' s). Es decir un modelo 79:7 es un caso
particular de un modelo din/mico de funcin de transferencia en el que el input es un ruido
blanco' no e+iste perturbacin y la funcin de transferencia es el cociente de dos polinomios
correspondientes a la parte de media mvil el numerador y a la parte autorre-resiva el
denominador. 7s. las condiciones de estacionaridad e invertibilidad para la funcin de
transferencia son las mismas que para los modelos 79:7' es decir' las ra.ces de los polinomios
) ($) y ($) fuera del c.rculo unidad.
7 continuacin calculamos los pesos v
i
impulso#respuesta en funcin de los coeficientes
de los polinomios numerador y denominador.
; ($)= ) ($) $
b
* ($) multiplicando ambas partes de la i-ualdad por ($)
($) ; ($)= ) ($) $
b
Besarrollando
(#
1
$ -
2
$
2
- ... -
r
$
r
)(v! 3 v

$ 3 ...) = (1
!
3 1

$ 3 ... 3 1
s
$
s
) $b
I-ualando coeficientes
v
!
= v

= ... = v
b#
= !
v
b
=

v
b#
3
A
v
b#A
3 ... 3
r
v
b#r
3 1
!

v
j
=

v
j#
3
A
v
j#A
3 3 r v
j#r
3 1
j#b
j = b3' ...b3s
v
j
=

v
j#
3
A
v
j#A
3 ... 3 r v
j#r
jF b 3 s
Estas relaciones 6ay que tenerlas presentes ya que son muy Ctiles para identificar la
funcin de transferencia' lo que es equivalente a identificar
b' retardo a partir del cual una variacin en el input se refleja en el output
s' orden del polinomio del numerador.
G
r' orden del polinomio del denominador.
En las ecuaciones que verifican los coeficientes se observa
a) # los b# primeros coeficientes son ! v
!
= v

= ... = v
b#
= !
b) # los si-uientes s3 no si-uen nin-una pauta fija v
b
v
b3
... v
b3s

c) # a partir del coeficiente s3b3 los v
=
verifican una ecuacin en diferencias an/lo-a
a la que verifica la funcin de autocorrelacin de un modelo 79(r)' es decir decrecimiento suma
de e+ponenciales y ondas seno coseno.
5ara identificar la funcin de transferencia es importante una estimacin inicial de los
pesos vj. 5ara ello necesitaremos la funcin de autocorrelacin cru&ada ya que como veremos los
v
=
son proporcionales a ella. 7ntes daremos al-unas definiciones.
Definicin0 %n proceso estoc/stico bivariante (8
t
' 2
t
) se dice que es estacionario en el
sentido amplio si
a) Hada componente 8
t
2
t
es estacionario. La funcin de autocovarian&a solo
depende del retardo que separa las variables y no del tiempo en que se mide.
I
8
(6) = cov (8
t
' 8
t36
) I
2
(6) = cov (2
t
' 2
t36
) 6 = !' ' A' . . .
b) La funcin de covarian&a cru&ada entre las dos series solo depende del retardo que
las separa.
I
8' 2
(6) = cov (8
t
' 2
t36
) 6 = !' ' A' . . .
4otar que la funcin de covarian&a cru&ada no es una funcin par y verifica la relacin
I
8' 2
(6) = I
2' 8
(#6).
Se define la funcin de autocorrelacin cru&ada por la relacin

8' 2
(6) = I
8' 2
(6)*
8

2
6 = !' ' A' . . .
Si tenemos una muestra de tamaJo 4 de una serie bivariante' los estimadores de la
correlacin cru&ada son los 6abituales
r
8' 2
(6) = H
8'2
(6)*s
8
s
2
6 = ! ' ' A' . . .
(*4)

4#6
8
t
2
t36
6 = !' ' A' ...
t=
H
8'2
(6) =
K
(*4)

4#6
8
t36
2
t
6 = !' #' #A' ...
t=
En -eneral las varian&as y covarian&as de estos estimadores son dif.ciles de calcular. En
al-unos casos especiales disponemos de apro+imaciones.
# Si 8
t
es ruido blanco e 2
t
y 8
t
son incorreladas la apro+imacin de $arlett (LMM) da
como resultado
;ar Dr
8'2
(6)E (4#6)
#
Horr Dr
8'2
(6)' r
8'2
(63)E
2
().
Es decir' aunque los procesos sean incorrelados' los estimadores de la funcin de
correlacin cru&ada est/n correlados y reproducen la autocorrelacin del output en el primer
retardo.
# Si 8
t
e 2
t
son los dos ruido blanco y est/n incorrelados entonces
;ar Dr
8'2
(6)E (4#6)
#
Horr Dr
8'2
(6)' r
8'2
(63)E 0.
IDENTIFICACION DE LA FUNCIN DE TRANSFERENCIA%
5or analo-.a con los modelos 79:7' se puede intentar identificar la funcin de
transferencia a partir de las correlaciones cru&adas muestrales' pero las propiedades muestrales no
son f/ciles de establecer' al estar estos estimadores correlados. Los c/lculos se simplificar.an
sobremanera si el input fuera un ruido blanco' ya que en este caso disponemos de la
apro+imacin de $arlett. 5or lo que vamos a utili&ar la t(cnica de <preblanqueo> para
conse-uirlo.
T&cnica e !re'"an(ueo%
Se reali&a en dos etapas
. # 7justamos un modelo 79:7 a la serie input 8
t

8
($) 8
t
=
8
($)
t
. La serie
t
de
los residuos es un ruido blanco
t
=
8
($)
-1
8
($) 8
t
A. # 7plicamos el mismo filtro a la serie output
t
=
8
($)
-1
8
($) 8
t
La correlacin cru&ada entre
t
y
t
jue-a un papel importante a la 6ora de identificar la
funcin de transferencia como se ve a continuacin despu(s de establecer los resultados
Las funciones e transferencia (ue re"acionan )
t
con *
t
+
t
con
t
son i$ua"es,
Sea el modelo 2
t
= ; ($) 8
t
3 4
t
con 2' 8 y 4 procesos estacionarios.
7plicando el filtro
8
($)
-1
8
($) a ambos lados de la i-ualdad anterior

t
= ;($)
t
3
t
con
t
=
8
($)
-1
8
($) 4
t
M
La funcin e co-arian.a cru.aa entre + es !ro!orciona" a V /01
Halculemos esta covarian&a cru&ada
I
,
(6) = Hov (
t
'
t36
) = E (
t

t36
) = ED
t
( ;($)
t36
3
t36
E =
v
!
E(
t
'
t36
) 3 v

E(
t
'
t36#
) 3 . . . 3 v
6
E(
t
'
t
) 3 ... 3 E(
t
'
t36
) = v
6

A

2a que
t
es ruido blanco y est/ incorrelado con
t
. Bespejando
v
6
= I
,
(6) *
A

= (

*

) ( I
,
(6) *

) = (

*

)
,
(6) 6 = !''A' N
Hon lo que v
6
es proporcional a la correlacin cru&ada entre el input y el output
preblanqueados en el retardo 6.
Ientificacin e "os renes '2 s + r
v
6
puede ser estimada por (s

* s

) r
,
(6). Estos estimadores en -eneral son no eficientes'
pero sirven de base para una primera modelacin de la funcin de transferencia. :ediante la
apro+imacin de $arlett podemos comparar r
,
(6) con su desviacin t.pica (4#6)
#*A
. ?ambi(n
6ay que comprobar que r
,
(6) = ! si 6 " !' es decir que no 6ay retroalimentacin.
b es el primer retardo positivo tal que r
,
(6) !.
Los rdenes s y r de los polinomios ) ($) y ($) se pueden determinar por la forma de la
funcin de correlacin cru&ada entre y a partir del retardo b' ya que r
,
(b) . . . r
,
(b3s) no
presentan nin-una pauta de comportamiento y a partir del retardo b3s' r
,
(6) se comporta como
la funcin de autocorrelacin de un modelo 79(r).
Ientificacin e" moe"o !ara N
t
,
%na ve& ele-idos los ordenes b' r y s' la funcin de transferencia se estima
b
W ) ( ) ( =

($) ;
2 se calculan los residuos
b
W ) ( ) ( = =

1

2 ($)8 ; # 2 4
t t t
t
t N

es un proceso estacionario y por los m(todos 6abituales de identificacin'

identificamos un modelo 79:7 (p' q) para
t N

4
($)
t N

=
4
($)a
t
con a
t
ruido blanco.
Oinalmente el modelo identificado es
2t = D) ($)* ($)E $
b
8
t
3 D
4
($)*
4
($)Ea
t
o tambi(n
($)
4
2
t
= ) ($)
4
($) 8
t#b
3 ($)
4
($) a
t
que en forma desarrollada
P
2
t
=d

2
t#
3. . . 3d
p3r
2
t#r#p
3 c
!
8
t#b
3 c

8
t#b#
3... 3 c
p3s
8
t#b#p#s
3 a
t
3 b

a
t#
3... 3 b
q3r
a
t#q#r
7qu. finali&a la etapa de identificacin que nos da un modelo base que debe ser estimado.
El modelo identificado puede ser modificado para eliminar par/metros superfluos una ve&
superada la etapa de estimacin.
El orden de los polinomios en -eneral no ser/ muy -rande (A suele ser suficiente) y si
encontramos factores comunes' deben ser simplificados ya que en caso contrario' los resultados
serian errneos.
ESTIMACIN DEL MODELO
Los m(todos de estimacin son los mismos que en las series univariantes.
Si ) ($) y ($) son polinomios de orden !' se obtienen estimadores m.nimo cuadrados
con e+presin e+acta' en caso contrario los estimadores se obtienen por apro+imaciones
sucesivas.
Bebemos estimar los coeficientes de los polinomios ($) ) ($)
4
($)
4
($).
Sea el par/metro a estimar Q = (' )Q '
4
Q'
4
Q).
5ara cualquier eleccin de Q se pueden calcular los errores a
t
a partir de t F m siendo
m = ma+ ( p3r' b3p3s ) 3 mediante la e+presin
($)
4
2
t
= ) ($)
4
($) 8
t#b
3 ($)
4
($) a
t
que en forma desarrollada
a
t
= 2t # d

2
t#
# . . . #d
p3r
2
t#r#p
# c
!
8
t#b
# c

8
t#b#
#... # c
p3s
8
t#b#p#s
# b

a
t#
#... # b
q3r
a
t#q#r
4os permite calcular la suma de los cuadrados de los residuos.
Si suponemos a
!
= a

= . . . = a
m
= ! obtenemos m.nimos cuadrados condicionados.
Si estimamos por el m(todo de m/+ima verosimilitud y suponemos normalidad' como
los residuos a
t
son incorrelados tambi(n ser/n independientes.
L ('
A
*8' 2)
#n
e+p D(#*A)
A

4
a
t
A
()E.
t=m3
La verosimilitud se apro+ima por la suma de cuadrados de los residuos' que 6ay que
minimi&ar.
VALIDACIN DEL MODELO,
Es la etapa si-uiente a la estimacin. El modelo ajustado puede no ser v/lido por
a) El modelo para el ruido 4
t
no es el adecuado. En este caso los residuos son
correlados y
a
(6) ! para al-Cn 6 F !' pero como la funcin de transferencia est/ bien ajustada'
el input preblanqueado y los residuos est/n incorrelados' es decir'
,a
(6) = ! 6. En este
supuesto 6ay que buscar un nuevo modelo para el ruido' sin modificar la funcin de transferencia.
R
b) El modelo para la funcin de transferencia no es el adecuado. El input
preblanqueado y los residuos est/n correlados' es decir
,a
(6) ! para al-Cn 6. En este caso 6ay
que modificar la funcin de transferencia lo que llevar/ consi-o tambi(n una modificacin del
modelo para el ruido o perturbacin.
c) 4in-uno de los dos modelos es adecuado. Este caso se comporta como el anterior.
7 continuacin vamos a probar estas afirmaciones.
Supon-amos el modelo
2t =
-1
($) ) ($) 8
t#b
3
4
#
($)
4
($) a
t
= ; ($) 8
t
3 ($) a
t
2 que 6emos seleccionado el modelo
2t = ;
!
($) 8
t
3
0
($) a
!t
Bespejando a
ot
=
0
-1
($) D2
t
# ;
!
($) 8tE =
0
-1
($) D; ($) # ;
!
($)E 8t 3
0
-1
($) ($) a
t
.
Si "a funcin e transferencia es correcta
a
ot
=
0
-1
($) ($) a
t
. Sa
!t
T no es un ruido blanco' presenta autocorrelacin
a!
(6) !
para al-Cn 6
5ero Sa
!t
T y S
t
T son incorrelados ya que S
t
T y Sa
t
T lo son.
Si "a funcin e transferencia no es correcta
Sa
!t
T presenta correlacin cru&ada con la serie S8
t
T y por tanto tambi(n presenta
autocorrelacin y correlacin con la serie S
t
T' es decir'
,a!
(6) ! para al-Cn 6.
En el caso c) la serie Sa
!t
T presenta autocorrelacin por presentarla la serie S8
t
Ty tambi(n
tiene autocorrelacin cru&ada con la serie S8
t
T y por tanto con la serie S
t
T.
Independientemente de s. el modelo para la perturbacin est/ bien o mal modelado' el
c/lculo de la correlacin cru&ada de los residuos' resultado del ajuste de la funcin de
transferencia' con el input preblanqueado puede informarnos acerca de los cambios que 6ay que
6acer en la funcin de transferencia.
Honsideremos el modelo preblanqueado

t
= ; ($)
t
3
t
con
t
=
8
($)
-1
8
($) 4
t'

t
=
8
($)
-1
8
($) 8
t
Los residuos del modelo errneo son

0t
=
t
# ;
!
($)
t
= (; ($) #;
!
($))
t
3
t
La corre"acin cru.aa entre
0t
+

t
en e" retaro 3 mie "a iscre!ancia (ue e4iste
entre -
3
+ -
53
U
E (
t

0t36
) = ES
t
D(;($) #;!($))
t36
3
t36
ET = (v
6
#v
6!
) E(
t
A
) 3 E(
t

t36
) =
(v
6
#v
6!
) E (
t
A
) por estar las series
t
y
t
incorreladas. Bespejando
(v
6
#v
6!
) =
,0
(6) (
0
/

)
Es decir una correlacin cru&ada alta en un retardo entre el ruido y el input preblanqueado
es debido a una diferencia -rande entre el valor de la funcin impulso respuesta estimada y la real
en ese mismo retardo.
En resumen para la validacin del modelo utili&aremos las pruebas de correlacin
Autocorre"acin e "os resiuos.
Si esta funcin da seJales de que los residuos no son aleatorios' esto puede ser debido a
que la funcin de transferencia no es correcta' o a que la perturbacin est/ mal modelada' o las
dos causas a la ve&.
Corre"acin cru.aa entre e" in!ut !re'"an(ueao + "os resiuos.
Si la correlacin cru&ada entre el input preblanqueado y los residuos es distinta de cero
para al-Cn retardo' 6ay que modificar la funcin de transferencia.
Si la correlacin cru&ada no da muestras de que el error est/ en la funcin de
transferencia' si los residuos si-uen presentando autocorrelacin 6ay que modificar el modelo
para el ruido.
Es necesario comprobar las dos funciones de correlacin.
Bebido a que las autocorrelaciones y las correlaciones cru&adas est/n correladas entre s.'
el comprobar que estos valores son !' puede llevar a errores' sobre todo en los retardos bajos. 5or
esta ra&n se utili&an los estad.sticos
V

= D4 (43A)E* (4#=)

=
r
A
a
(6)
6=
r
A
a
(6) es la autocorrelacin en el retardo 6 de los residuos
V
A
= D4(43A)E*(4#=)

=
r
A
'a
(6)
6=
r
A
'

a
(6) correlacin cru&ada en el retardo 6 del input preblanqueado y los residuos
$ajo la 6iptesis nula de que el modelo est/ bien ajustado' estos estad.sticos se
distribuyen se-Cn una c6i cuadrado con -rados de libertad =#p#q y =#r#s respectivamente.
Siendo p y q los ordenes autorre-resivo y de media mvil de la perturbacin y r y s los ordenes
del numerador y denominador de la funcin de transferencia.
4ecesitamos los dos estad.sticos para ase-urarnos de la bondad del modelo. Estos dos
estad.sticos son muy conservadores' por lo que adem/s es conveniente estudiar la aleatoriedad de
los residuos a
t
por los m(todos 6abituales.
L
PREDICCIN
Las t(cnicas utili&adas para la prediccin son las mismas que en el caso univariante.
5artiendo del modelo ajustado
2
t
=
-1
($) ) ($) $
b
8
t
3
4
#
($)
4
($) a
t
.
Bejando libre el error obtenemos

4
($)
4
#
($)2
t
=
4
($)
4
#
($)
-1
($) ) ($)$
b
8
t
3 a
t
. Besarrollando ambos miembros

4
($)
4
#
($) = #

$#
A
$
A
# . . .

4
($)
4
#
($)
-1
($) ) ($)$
b
= v
!
* 3 v

*$ 3 v
A
*$
A
3 ...
Be donde )t 6 /
7
)
t#7
8
9
)
t#9
8 ,,,1 8 /-
5
:*
t
8 -
7
:*
t#7
8 -
9
:*
t#9
8 ,,,1 8 a
t
,
Ecuacin que puede ser usada para obtener la prediccin de 2
43s
como combinacin lineal
de valores pasados de 8
t
e 2
t
6asta el instante 4' de forma que el error cuadr/tico medio sea
m.nimo.
En caso de normalidad )
N
/s1 6 E /)
N8s
; )
N
2 )
N#7
2,,, *
N
2 *
N#7
2,,,1,
Errores e Preiccin
?ambi(n puede ponerse la prediccin como combinacin lineal de los errores y del input
preblanqueado' ya que por ser estas series ruido blanco e incorreladas entre s.' nos facilitar/ el
c/lculo de la varian&a del error de prediccin.
5artiendo de la ecuacin del modelo
2t =
-1
($) ) ($) $
b
8
t
3
4
#
($)
4
($) a
t

Sustituyendo 8t =
8
#
($)
8
($)
t
lle-amos a la ecuacin
2t =
-1
($) ) ($) $
b

8
#
($)
8
($)
t
3
4
#
($)
4
($) a
t
= u($)
t
3 ($) a
t

Hon
u ($) =
-1
($) ) ($) $
b

8
#
($)
8
($)
($) =
4
#
($)
4
($)
Vue desarrollada da lu-ar a
!
2
43s
= u
!

43s
3 u

43s#
3 . . . 3 u
s

4
3 . . .

3 a
43s
3

a
43s#
3 . . . 3
s
a
4
3 . . .
Si e+presamos la prediccin de la forma
2
4
(s) = (
!
()
a
4
3

()
a
4#
3 . . . ) 3 (
!
(A)

4
3

(A)

4#
3 . . . )
Ele-iremos los
i
(j)
de forma que el error cuadr/tico E (@2
43s
# 2
4
(s)@
A
)sea m.nimo.
E (@2
43s
# 2
4
(s)@
A
) =
E S(u
!

43s
3 u

43s#
3 . . . 3 u
s#

43l
3 a
43s
3

a
43s#
3 . . . 3
s#
a
4
)3
D(u
s
#
!
(A)
)
4

3 (u
s#
#

(A)
)
4#
3 . . . E 3D(
s
#
!
()
)a
4

3 (
s#
#

()
)a
4#
3 . . . ET
A
El m.nimo de esta funcin se alcan&a para

!
(A)
=

u
s
'

(A)
= u
s#
' . . .
!
()
=
s
'

()
=
s#
' ...
El valor de la prediccin es
)
N
/s1 6 /u
s

N
8 u
s87

N#7
8 , , ,1 8 /
s
a
N
8
s87
a
N#7
8 , , ,1
Hon error de prediccin
e
N
/s1 6 u
5

N8s
8 u
7

N8s#7
8 , , , 8 u
s#7

N8"
8 a
N8s
8
7
a
N8s#7
8 , , , 8
s#7
a
N87
2 varian&a del error de prediccin
V/e
N
/s11 6 / u
5
9
8 u
7
9
8 , , , 8 u
s#7
9
1
2

8 /7 8
7
9
8 , , , 8
s#7
9
1
2
a