Beruflich Dokumente
Kultur Dokumente
TESIS DOCTORAL
24863
1
um~m~1~r
5314014635
Proyecto de Tesis realizada por Lorenzo Escot Mangas para la obtencin del titulo
de doctor en Ciencias Econmicas y Empresariales por la Universidad Complutense
de Madrid, bajo la direccin del Dr. D. Andrs Fernndez Diaz (Catedrtico de
Universidad del departamento de Economia Aplicada III -Poltica Econmica- de
la Universidad Complutense de Madrid)
DINMICA ECONMICA
CATICA: UNA APLICACIN AL
ESTUDIO DEL CICLO Y EL
CRECIMIENTO ECONMICO
1. Introduccin
10. Conclusiones.
INDICE
CAP.1 INTRODUCCIN
a
-7,
INDICE
a
tNDICE
a,
a
8.3. Test de No-lnealidad 8-25
a,
INDICE
CAP.1 O. CONCLUSIONES.
e
REFERNCJAS BIBLIOGRFICAS.
.5
a,
mt
a,
a,,
a,
a,
CAY,TULQ t )NTRODUCC QN 1 -1
CAPTULO 1
INTRODUCCIN
Para una primera introduccin a lateora del caos puede consultarse Lorcnz (1995). De
una forma ms formal esta primera aproximacin a la teora del caos puede realizarse con
CATULQ 1: INTRQDUCC!QP<
a,
a,
Martin: Morn y Reyes (1995) y Alligood. Sauer y Yorke(1997).
La primera vez que se utiliz a palabra caos para referirse a esta parcela de
conocimiento fue en el articulo de Li y Yorke (1975):. Pead Ibree Implies Chitos.
Posteriormente, esta denominacin se afianz con la publicacin del bes/-se lcr de James
Gleick. Chaus: making a new setence.
a,
1-3
CAPhTULQ 1: WJT~QDUCGJQN
Otro ejemplo seria los mercados constituidos por un gran nmero de agentes
interactuando (oferentes demandantes gobierno) bajo ciertas restricciones (nonnas
~
establecidas en los mercados a travs de normas o reglas legales o no que condicionan las
decisiones de los agentes que en l intervienen) y que adquieren una autoorganizacin por
ejemplo en sistemas de libre mercado o de economa mixta de mercado. Los mercados
responden a cambiosen los estilos de vida. preferencias de los consumidores, inmigracin o
cambios en las dotaciones de factores productivos), nuevos desarrollos tecnolgicos. cambios
en la estructura de costes (materias primas productos energticos. salarios, etc).
La teora de la sinergia, por otro lado, abre una puerta para la comprensin del nexo
perdido entre la micro y la maroceconomia, esto es, aquello que ha venido a denominarse
como la microfimdamentacin del comportamiento agregado de las economias.
6 Sobre elpapel de los sistemas caticos en la ruptura de la polmica detenninismo VS
indeterminismo vase Prigogine (1997) y Fernndez Diaz (1995).
a,,
1 -7
CAPTULO 1: NTROUUCCrt
mt
eedbak positivo entre cada una de esas partes y el todo, de forma que el todo a,
es algo ms que la suma de las panes Quizas en esta no-linealidad reside la gran
dificultad que existe en economia a la hora de tratar de ir desde el
comportamiento microeconrnico al comportamiento macro problemas de la a,,
se dispona para tratar los sistemas con comportamiento complejo era la teora
de la probabilidad, de forma que esa irregularidad se supona que venia
determinada de forma aleatoria por algn tipo de proceso estocstico lo que
explicaba tambin la falta de predicciones precisas pora esos sistemas con
comportamiento complejo. Siguiendo este enfoque se han desarrollado multitud
a
de avances en el terreno de la teora de la probabilidad y de procesos
estocsticos para tratar de ajustar de la mejor forma posible el comportamiento
observado del sistema avances muy significativos en la econometra) con el fin
a
de mejorar las predicciones etc. Con la aparicin de la teora del Caos, se
dispone de un instrumento adicional que pensamos que no debe rechazarse sin
ms, ya que stos proporcionan una via para endogeneizar la irregularidad a,
observada en las series econmicas, permitiendo un mejor entendimiento de]
fenmeno econmicoy tambin tal vez, las predicciones -aunque eso no quiere
decir que el ajuste puramente economtrico no ajuste bastante bien este mt
comportamiento irregular.
a,
Las herramientas que utilizaremos para tal fin, las proporciona la Teora o
matemticas del Caos: Trataremos de encontrar los mecanismos que generan a,
Para ello ser necesario, tras repasar las principales aportaciones en cuanto mt
a
CAPTULO 1 INTRODUCCIN. 1-9
Estamos hablando del Caos determinista. Una visin que se aleja del
determinismo reduccionistay del indeterminismo total de Popper, y que permite
la existencia simultanea de un sistema que es intrinsecamente determinista
(aunque no lineal) bajo ciertas condiciones (que trataremos de determinar) sea
simultneamente impredecible aleatorio incertidumbre, cuando existen
comportamientos caticos (Alta sensibilidad a las condiciones iniciales, y a
pequeas perturbaciones, junto que nuestra incapacidad de una perfecta
medicin, o perfecto conocimiento de la realidad que tratamos de explicar, en
economia por ejemplo, los errores de medida).
a,
e
CAPTULO 1: INTRODUCOfON. 1 -11
CAPITULO 2
ELEMENTOS DE LA MATEMTICA DELCAOS (1)
a,
Qu es un sistema dinmico?
a
La Dinmica, en trminos generales. hace referencia al estudio matemtico
del movimiento y de las fUerzas que lo generan. Con el anlisis dinmico se
mtenta determinar cmo cambian las cosas, porqu ocurren esos cambios y e
cmo pueden ser controlados o modificados. Un sistema o un fenmeno se dir
dinmico si est sometido al cambio respecto a una o varias variables.
exigindose adicionalmente que en dicho cambio exista una relacin de a,
retroalimentacin o feed-back. es decir, que el movimiento al que se vea
sometido e] sistema dependa, entre otros factores, de la situacin en la que se
a,
haya encontrado el propio sistema anteriormente. Podemos definir, por tanto.
el estado de un sistema, como toda aquella informacin necesaria para poder
determinar qu es lo que el sistema har a continuacin. a,
a,
1Aunque el use en economa de sistemas dinmicos en derivadas parciales es todava
escaso, existen algunas aplicaciones como por ejemplo en el anlisis de la econornia43-250).
espacial
(Puu.
Para el1991) y en
estudio la valoracin
general de activos
de sistema financieros
en derivadas (Fernndez
parciales Daz, 2000.
puede consultarse pp.2(1995).
Peral U
a,
CAPITULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS (1) 2-3
dinmico. Dicho de otro modo, los sistemas dinmicos estn formados por n
ecuaciones dinmicas, expresando cada una de ellas cmo cambian en el
tiempo cada una de las variables de estadc.
i4tf$x1(ttxdtt....x,(t).t)
vector de Estados. Este vector de estado es una funcin del tiempo. Sin
embargo. por motivos de simplicidad, en adelante omitimos la variable
temporal t en su designacin. Por otra parte. fD c 1W 41W es un campo
vectorial cuyo dominio D es el espacio de los estados o espacio de frises. El
campo vectorial nos indica la pendiente o variacin en el tiempo de cada punto
del espacio de estados XCDGIW .Este espacio contiene a todos los posibles
estados que puede adoptar el sistema y su dimensin estar determinada por el
nmero n de variables de estado del sistema
2 Existen numerosos textos que tratan sobre el estudio de sistemas dinmicos. Podemos
citar entre otros Edwards y Penney (1986), Luenberguer (1979)o Zil (1988). Para un anlisis
de los sistemas dinmicos ordinarios y sus aplicaciones a la economa puede consultarse
Gandolfo (1997).
e
eonk= a i, 2, 3.... y donde dx, sx,ck-4- ])-x,(%. por lo que el sistema (2.3).
4
puede rescribirse como-:
e
x
(k+ 1) t1 (x1 (k).x,(k)....x$k>.k)
1
o en forma compacta: u
x(kl)=f(x(kgk) : xeDzIW : kcN (2.5)
a
donde nuevamente, .cx(ky=(x1(k). x~(k), x3(k) v,(k)) representa el vector
.
En realidad, el nico requisito que debe cumplirse es que 1k sea finito y regular, de e
forma que a partir de un instate inicial 4<,, los instantes siguientes k,, k,, 4 puedan escribirse
como k,w-Jk, 424*,ki-3Jk, Nosotros consideramos, sin prdida de generalidad, que
...
De manera anloga al caso continuo, los sistemas en tiempo discreto de primer orden a
engloban a los de cualquier otro de mayor orden. En este caso, el orden de un sistema dinmico
en diferencias viene dado por el mximo retardo de la variable de estado que aparezcaen sus
ecuaciones. Nosotros trataremos slo con sistemas de primer orden porque, nuevamente, tras a,
el oportuno cambio de variable siempre es posible encontrar un sistema en diferencias de
primer orden equivalente a otro de orden superior.
a,
CAPITULO 2. rUEMENTOS DE LA MATEMTICA DEL CAOS (b 2-5
u.
x(k+ 1) sf(x(k).gk)) Ag(k) :xDR:locX: ge VzRP;ge lVsiR (2.10)
a,
Dicho de otra forma, los sistemas dinmicos (2.7) y (2.8) sern lineales si se
pueden representar, respectivamente, de la forma:
a
CAPITULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS (Li 2-7
e.
2.2. La solucin de un sistema dinmico
e
Una vez que tenemos representado la evolucin de un fenmeno a travs
de un sistema dinmico, hay que resolverlo al igual que se hace con los
modelos estticos. Sin embargo. a diferencia de stos, la solucin de un sistema
dinmico no ser un nico valor para cada una de las variables de estado, sino
toda una trayectoria temporal, todo un conjunto de valores para cada una de
a
las variables de estado y para cada instante del tiempo. que depender de las
relaciones funcionales del sistema y de las condiciones iniciales desde las que
parta el sistema.
Esta solucin se define en general como una funcin del tiempo. Cuando
nos encontramos ante sistemas continuos:
.t=f(x) xeDcIR~ ; teR (2.13) a,
a,,
CAPITULO 2. ELEMENTOS DE LA MATEMTLOA DEL CAOS (1) 2-9
generalidad, t<>=O ~
Una rbita, ser aquel conjunto de puntos del espacio de fases que se
obtiene cuando se dan valores a posteriores a r~ ~=O:
~ { ctq x_) Una >O~ ~.
de los valores que tomen las variables de control que definen el campo vectorial. Estos
elementos sern introducidos ms tarde cuando tratemos los temas del anlisis de dinmica
comparativa y la teora del control.
CAPITULo 2. ELEMENTOS DE LA MATEMTICA DEL CAOS (II 2- 10
ningn punto, es decir, que a partir de un mismo punto le sigan dos posibles
estados distintos del sistema. Este es un resultado importanteque ser utilizado
posteriormente en la reconstruccin de rbitas en el espacio de fases a partirde
una serie temporal.
El/lujo del sistema (2.13) ser el conjunto de todas las soluciones (3.14)
posibles al sistema para distintas condiciones inicialesx.. esto es. la familia de
soluciones para distintas X11. Dicho de otro modo, dado un abierto UcD clR~.
el flujo del sistema se define como ~b(t :U )={cIiQ : x0): X<IEU}. La
representacin grfica de los flujos en el espacio de fases, nos proporctona
informacin cualitativa de las soluciones y constituyen la base para la solucin
grfica de los sistemas dinmicos.
solucin del sistema que satisface esa condicin inicial 1(k ; x<9.
a,
2-11
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS O)
O
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS ti) 2-12
Otras veces interesa representar cual es el valor que toman cada una de las
variables de estado en un mismo instante temporal de forma conjunta. Esto
puede realizarse dibujando un grfico en un espacio que tenga tantas
dimensiones como nmero de variables de estado tenga el sistema3. Este
espacio recibe el nombre de espacio de fases, y cada punto del mismo
representa un estado concreto de un sistema dinmico, ya que las coordenadas
de un punto en el espacio de fases sern numricamente iguales a los valores
que tomen cada una de las variables de estado en un mismo instante temporal.
De esta forma, una solucin particular del sistema dinmico, es decir, una
secuencia cronolgica de estados del sistema, se podr representar como una
curva en el espaco de fases, una rbita, correspondiendo cada punto de la
misma a un instante temporal concreto.
~Esto puede realizarse grficamente slo cuando el sistema tienen dimensin (nmero
de variables de estado) 3 o inferior. Para dimensiones superiores se pueden utilizar otras
tcnicas de representacin grfica como los mapas de Poincar que suponen bsicamente
cortaduras del espacio de fases n-dimensional. Vase Alligood, Sauer y Yorke (1997, pp.18-
49)
CAPITULO 2 ELEMENTOS DE LA MATEMArICA DEL CAOS (1) 2- 14
a
14 Como se ver ms adelante, el atractor ser no irreducible si el sistema dinmico es
topolgicamente transitivo.
a,
~ Se dice que U cD es un entorno de xe D si U contiene un abierto que contiene a x.
a
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS (]) 2-15
tiempo
Punto Ffjo
Puntos fijos
Cuando el atractor est constituido porun nico punto del espacio de fases.
el equilibrio se dice que es del tipo punto o lo que implica que cuando el
sistema alcanza dicho estado, permanece en l de forma permanente (figura
2.1):
Sobre estos temas puede consultarse Brock y Malliaris (1989, Pp. 53-85)
CAPTULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS (U 2- 46
a,
a,
a,
Ciclos lmite
Los ciclos lmites son atractores en los que las rbitas evolucionan a
siguiendo un ciclo regular en el que se irn repitiendo los mismos estados cada
cierto de tiempo. En sistemas en tiempo discreto, los ciclos limite estn
integrados por un conjunto finito de puntos del espacio de fases que la rbita e,
4(t)=cF(t--T~) (2.23)
a,
El periodo del ciclo limite ser el mnimo entero 1,,, para el cual se verifica
(2.22) o (2.23), es decir, el mnimo lapso de tiempo que tarda en repetirse la
a,
misma secuencia de estados. Estos ciclos lmite suponen la base sobre la que
a,
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS (L) 2-17
ci 0 0J.
0 0~-
0 >$v$[ .0
se sustentan las teoras del ciclo endgeno. en las que la propia dinmica del
modelo conducir a la economia hacia oscilaciones cclicas perfectamente
regulares. Las oscilaciones de estos ciclos limite presentarn un nico periodo
simple. Los atractores cuasi-peridicos y los atractores extraos permiten la
aparicin de oscilaciones ms complejas. Debido a nuestro inters por la
explicacin determinista de comportamientos de dinmica compleja.
estudiaremos con mayor detalle estos dos tipos de equilibrios dinmicos.
Las soluciones a los sistemas dinmicos una vez alcanzados los atractores
del tipo punto fijo y ciclo limite muestranuna evolucin temporal perfectamente
regular y peridica. Los atractores cuasi-peridicos, constituyen un tercer tipo
de equilibrio dinmico que permiten la presencia de un comportamiento
cualitativamente ms complejo a los anteriores.
~=f(1x) 2 (2.24)
x, y cM
=f2&)
de forma que el atractor que describe este sistema en el espacio de fases 4-
dimensional toro bidimensional se forma a partir de la superposicin de los
dos ciclos lmite independientes generados por los osciladoresf, yf2.
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS (O 2- iE
15
r L
0~1 ~ ~
,j II ~ ~1l ~Ll 1 1
rl)
09ui 1 JI0 I~ I~ I~ 1 ~
e,
/~~ II
cii ci [f
II. 1
r ti W \,~ \S )
tI ~ ~,
~I 0.~ OF 14 OI~ Ir
5 beff~ci [tU ci
e,
Figura 2.4 Figura 2.5
X=x(ab-i-zd(l--z2)cy
5>=y(ab-I-z-!-d(l z2fl-cx (2.25)
a
i=az(x2y2z2)
Los toros son, por tanto. atractores que aunque presentan un elevado nivel a
de complejidad estn compuestos por dos o ms movimientos peridicos en
distintas direcciones. Esta periodicidad o cuasi-periodicidad en el sentido de
a
que la periodicidad de las variables de estado no es simple sino el producto de
dos o ms periodicidades independientes es lo que permite englobar a estos
sistemas toroidales dentro de lo que denominaremos sistemas de dinmica e
simple.
e,
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS <U
2 - 19
O ~< ) ~
99 cix ) ,jiiI~ZciN..
4 ~cil <
4
9 2 -= -.>
..- O
Y ~.. . 0
~cil
Figura 2.6
Xrv
~sc2x+(c2l)sen6 (2.26)
~l
con c=n x
0=0, Yo=r+]. 60=#L Como puede observarse figura 2.7. a
mediada que transcurre el tiempo tiende a llenarse toda la superficie ocupada
por el toro.
.7.-
E
o
si ~0
5 ~.v-9;
-re.
- 2
0
o
1
y -5 -2
Figura 2.7
CAPITULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS <1) 2 - 20
2 1~
1 .5
0.5
>< O
e
-0.5
1
e
-1 5
-2
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 a,
temoo. Dt=0.01
Figura 2.8
st
2
e
1.5
a
0.5
sto e.
-0.5
e,
1
-1.5
a
-2
0 0.2 04 0.6 0.8 1 1.2 14 1.6 1.8 2
tiempo. Dt=0.01 4
x 0 a
Figura 2.9
-ci
CAPITULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS (u 2 - 21
Espacio de fases
Evolucin temporal
ricrnpu
Atractor Extrao
Figura 2.10
Atractores extraos
Los atractores extraos sern aqullos distintos al punto fijo, al ciclo limite
y a los atractores cuasiperidicos, es decir, una regin acotada del espacio de
fase compuesta por un nmero infinito de puntos que la rbita ir recorriendo
secuencialmente y de manera aperidica a medida que transcurre el tiempo
(figura 2.10). Estos atractores poseen una estructura extraa, en el sentido de
que estn integrados, como ya hemos comentado, por un nmero infinito de
puntos, pero concentrados en una regin finita del espacio de fases. Esto se
consigue con el continuo plegamiento, estiramiento y retorcimiento delespacio
de fases~. Como consecuencia de esto, la evolucin de la trayectoria solucin
del sistema en el atractor extrao presentar un comportamiento cclico
aperidico, es decir, en el que no se observa un periodo finito regular o en el
que el periodo tiende hacia infinito y altamente inestable. La estructura de estos
atractores extraos se encuentra en el ncleo del comportamiento irregular y
aparentemente aleatorio de los sistemas denominados caticos18.
~ Este comportamiento extrao es lo que hace que este tipo de atractores pueda
considerarse como un fractal, figuras geomtricas con dimensin fractal o de Hausdorff
superior a su dimensin topolgica. vase el prximo apartado 2.5.
Los primeros en utilizar esta denominacin de atractor extrao para este tipo de
equilibrios dinmicos a largo plazo fueros Takens y Ruelle en su articulo sobre el estudio de
las turbulencias de 971: RuelleO. Y Takens, E. On thenature ofTurbulence. Commun.
Math. Phys. no.20, pp. 167-192 (1971) y no. 23, pp.343-344 (1971) (RucHe 1993, p.61).
ci
La primera vez que se utiliz la palabra caos para referirse a esta parcela de
conocimiento fue en el articulo de Li y Yorke (1975):. Period Three Implies Chaos.
Posteriormente, esta denominacin se afianz con la publicacin del bes-seller de James
Gleick, Chaos: inaking o new selence.
O-
Para una primera introduccin a la teora del caos puede consultarse Lorenz (>995).
20
De una forma ms formal esta primera aproximacin a la teora del caos puede realizarse con
Martn; Morn y Reyes (1995) y Alligoed. SaueryYorke(1997). a
21 Una amplia muestra de estas aplicaciones se puede encontrar en en Hall (1991). Para
una visin de las posibles aplicaciones en Economa puede consultarse Fernndez Daz (1994 e
y 2000)
MI
CAPITuLO 2. ELEMENTOS DE LA MATEKt~TICA DEL CAOS (I~ 2 -23
~Obsrvese que el punto fijo puede considerarse como un ciclo lmite de perodo uno
24Una definicin ms rigurosa de las propiedades que han de cumplir los sistemas
caticos puede encontrarse ms adelante en este apartado en el que seguimos la definicin de
Devaney (1989, p. 50).
25 Sobre la dependencia sensitiva a las condiciones iniciales y otras propiedades de los
~ Es fcil ver que dicha diferencia inicial se eliminar por completo si estamos ante
sistemas dinmicos que convergen a un atractor del tipo punto fijo.
a
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS (U 2-25
2
1 t e
. -
-0-! ,<
.3
--1- vi
-2 1.5 2
O 0.5 1
x 1 o~
0.02
0,01
~o
-0.0 1
-0.02
0 0.5 1 .5 2
tiempo: Dt=0001 x 106
Figura 2.1 1
Estamos, por tanto, ante sistemas deterministas que exigen para una
perfecta prediccin un grado de conocimiento del sistema infinitamente exacto.
Nos encontramos de nuevo ante la ruptura del dualismo tradicional entre
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS (U 2 - 26
a
CAPITULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOS jI) 2 -27
f5>(U)AV~e (2.27)
papel central en la teoria del control del caos cuyo objetivo ser, precisamente.
estabilizas, de alguna maner& alguno de esos puntos peridicos inestables.
(2.29)
Para tener en cuenta los posibles efectos de una saturacin del ecosistema e
que frenase el crecimiento de la poblacin. May introdujo en (2.29) el supuesto
de que la tasa media de crecimiento de la poblacin, a, decreca linealmente con
el nmero de individuos previamente existentes en el ecosistema.. llegando as a
a la conocida como ecuacin logstica:
a.
x,+zzflx,I)zzw/l x,) ; teN (2.30)
con x, e[O, 1], esto es. normalizando el nmero maxmio de mdividuos que
pueden coexistir en el sistema. Por su parte el parmetro ,ue[O, 4] recoge la
tasa de crecimiento potencial de la poblacin cuando no existe presin sobre el
ecosistema, es decir, u ser la tasa de crecimiento pasa valores pequeos de x~,
coincidiendo en este caso (]-x, =0) la ecuacin logstica (2.30) con la ley de
Malthus (2.29)28.
e
~Devaney (1984) extiende el estudio de la ecuacin logstica (2.30) para un mayor rango u
de posibles valores de y.
a
CAPITULO 2-ELEMENTOS DE LA MATEMATLCA DEL CAOS (1> 2-29
0.8 +
0k
0.2
0
0 0.2
0.4 0.6
Figura 2.12
rs
u,
a
CAPTTULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS (1> 2 - 31
0.9
0.8
0.7
0.6
x(t+1) 0.5
04
0.3
0.2 -
0.1
o
O xtO) 0.2 0.4 0.6 0.8
4t)
Figura 2.14. Curva de fase de la ecuacin logstica, ~2.75
lt
1
a
0.9
0.5 a
0.7
ti
0.6
x(t+1) 0.5
a,
0.4
0.3 a
0.2
e
0.1
o
O x(O) 0.2 04 0.6 O~8 1
e
x(t)
rango del espacio paramtrico converge al punto fijo .V,. En la figura 2.14 se
muestra la curva de fase para j.c2.75. en el que se observa la convergencia
hacia el atractor i,.
a
Para .t>3 los dos puntos fijos (2.31) se vuelven inestables, mostrando las
soluciones de la ecuacin logstica comportamientos oscilatorios acotados con
distintas propiedades en cuanto a su periodicidad y estabilidad local o
dependencia respecto a las condiciones iniciales.
As, cuando 3fl.a< 1 +~t 3.45 aparece un nuevo atractor deltipo ciclo limite,
en el que el periodo se ha duplicado respecto a la situacin anterior, es decir,
el nuevo equilibrio dinmico ser un ciclo lmite de periodo 2, que la solucin ml
del sistema ir recorriendo secuencialmente a medida que transcurrael tiempo.
Este ciclo limite estar caracterizado, portanto, por dos estados del espacio de
fases p~, yp2 tales que
2>(p~) 1=1,2 (2.32)
p1zzf
siendo 12<) la segunda iterada de la aplicacin logstica (2.30), esto es, = a
((KO. El ciclo limite periodo dos estar dado por los siguientes estados:
1 +v+V<2~i3
Pr
+~ g22.3 (2.33)
a
a
CAPITULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS <1> 2-33
0.9
0.8
0,7
06
x(t+1) 0.5-
0.4
0.3 u
0,2 -
o,
o
o xrO) 0.2 0.4 0,6 0.6
x(t)
Ntese que los puntos fijos x0 yx1 satisfacen tambin la condicin (2.32).
aunque ni constituyen parte del ciclo limite ni son estables para p>3. por lo que
ahora no sern equilibrios dinmicos atractores del sistema. En la figura 2.15
hemos representado la curva de fase de la ecuacin logistica para p3.25. El
perodo dos al que convergen las soluciones en este caso estara compuestos por
los puntosp1 ~-O.8l2427l4 YP2 t~0.495265l7.
1 t
0.9
a.
0.8
0.7 ti
0.6
x(t+1) 0.5 e
0.4
a
0.3
0.2 e
0.1
e
o
0 0.2 x(O) 0.4 0.6 0.8
x(t)
Figura 2.17. Curva de fase de la ecuacin logstica, ~=4 ti
e
0.07
0.
a
0.05
0.04
a
O. OS
0.02
e
0.01
o
Lo Lo Lo Lo Lo Lo Lo Lo Lo LO Lo Lo Lo Lo iii ni Lo O Lo LO Lo Lo Lo Ui di ti
O CD LO O CD 0~ ~O
Lo O
04 fl O CD 04 CD 04 LO O CD <4 LO
o O O f C~ 04 C.J 04 ~i tfl ~ ~ U di 0 .0 LO I~- r CD CD ID CD CD
O O O O O O O O O O o O O O O O O O O O O O O O O
e
Figura 2.18. Histograma de la aplicacin logstica con
a
CAPITULO 2. ELEMENTOS DE LA MATEMAT~CA DEL CAOS tb 2 35-
0
0.
0,
0.5
0.4
03-
0.2
0>
0 I.flflpo
Punto Fijo
00
08 . e e e e e e e e e e e e e e e . e e
0?
06
Os e e e e e e e e e . e e e e e e e e el
04
03
02
0,.
0 ~ tipo
Cielo Ln~tepcnoujoz>
00 e 4
e e
os.
o,
06
05
04
03
02
0l-
e
o
Ciclo Limite*nodo4
00 e 9 te 9, e
0.8 e
e
07
0.6 e e
Os e e e
6 e e
04 4
0.3 4 e e
e 4
02e 4 e 4 e
e
0l e e 44
o e e e
-e e e
se. e ~eee
tieso
CAOS
Figura 2.19. trayectorias temporales de la aplicacin logstica para u~ 2.75, 3.25, 3.5 y 4.
a.
224567 09 1o11:2131415361?16192c212:23242s262-;2620303,32372435363v36394< SS
0-a ti
0.6
0.4
0.2
a
0.4
o.
-0.6
a
4
Figura 2.20. Sensibilidad a las condiciones iniciales en la ecuacin logstica w~
a
Bajo el rgimen catico, las trayectorias que solucionan la ecuacin
logstica, adems de las propiedades anteriores, presentan una alta dependencia
respecto a las condiciones iniciales, es decir, son localmente inestables dentro a
del atractor.
ti
CAPITULO 2. ELEMENTOS DE LA MATEMTICA DEL CAOS (1) 2-37
1
0 . a
Co>
1~0 (~4
CA.
o ..-.,.. . -.. .
1
-0 5.0
a.>
o ~
~OA
-
aE0 4
O. t04
~<
jzj o.~+oo
4.E04
~S-04
1
~ ~
a
r
L -~--j
_ Lis
E
-u-.
L
-2 ESO
4.Z04
Para terminar con este ejemplo, apuntamos que es posible realizaruna visin
conjunta de los distintos regmenes de comportamiento a largo plazo de la
aplicacin logstica para distintos valores del espacio paramtrico haciendo uso
del conocido como diagrama de Feigenbaum o grfico de bifurcaciones.
~ Para la obtencin del predictor, x,t calculamos primero una serie de 10000 datos de
la ecuacin logstica, ya partir de ella, elegimos el punto con una distancia enclidea menor.
En la figura 2.21 se muestra tambin el error de prediccin definido como Errorlx-x
0]
CAP?TULD 2. ELEMENTOS DE LA MATEMATCA DEL CAOS m 2-38
ti
ti
a
Fgura 2.22. Grfico de bifurcaciones de la aplicacin logistica pG[O.4]
a
CAPrIJLo 2. ELEMENTOS DE LA MATEMTCA DEL CAOS (II 2 39
0.75
0~5
0.2.5
o
2 2.5 3 3,5 4
0.75
.4 0.5
0.25
-c
o
3.5 3.625 3.75 3-575 4
II
Figura 2.24. Grfico de bifurcaciones de la aplicacin logistica pc[3.5 ,4]
CAPrrULO 2. ELEMENTOS DE LA MATEMATICA DEL CAOffifl) 2 -40
a
x 0.56
a
0 .5275
u
0.495
ti
0.4625
a
0.43
3.8375 3.8.421875 3246875 38515625
e
3.85625
a
CAPrTULO 2. ELEMENTOS DE LA MATEMAT,CA DEL CAOS <1> 2-41
3<5<7=9.< ~<2~3-<2~5<27=29~
K243<245=24~7<24.9k ~ 1
o
f3>(x) = x > flx 9 > f2>(x) (2.38)
~9-~
ti
os
0,6
0.4
0.2
ti
o
o 2 0.2 0,4 06 0R
e
Figura 2.26. Ciclo lmite dc periodo tres en la ecuacin logstica con
ti
CAPITULO 2. ELEMENTOS DE LA MATEMATCA DEL CAOS <J) 2 - 43
Por otra parte, puede demostrarse que los sistemas disipativos convergen
en su evolucin hacia conjuntos atractores (Ruelle, 1992, p.23). Un sistema
conservativo en trminos de la Fsica, ser, aquel para el cual la energa total
permanece constante en el tiempo no existe friccin. Por el contrario, un
sistema disipativo ser aqul para el cual la energa total disminuye o se disipa
con el paso del tiempo (Gandolfo 1997, p. 456). La conversin de estos
concepto al lenguaje de los sistemas dinmicos implica definir a un sistema
dinmico dispativo como aquel para el cual existe un conjunto U en el espacio
de fases n-dimensional, que se contrae o reduce asintticamente hasta un
conjunto compacto A, de forma que el u-volumen(energa) del conjunto inicial
U se reduce o contrae de manera continua bajo la accin del sistema con el
transcurso del tiempo. Por el contrario, los sistemas conservativos ser aquellos
que preservan o mantienen el u-volumen de U (Lorenz, 1993, ppS-67V2. En
ti
ti
a
CAPITULO 3. ELEMENTOS DE LA MATEMATICA DEL CAOS <II) 3-1
CAPTULO 3
ELEMENTOS DE LA MATEMTICA
DEL CAOS (II). EL ESPECTRO DE
EXPONENTES DE LYAPUNOV Y LA
DIMENSIN FRACTAL
Por otra parte, la dimensin fractal puede utilizarse para cuantificar o medir
la complejidad geomtrica de los atractores de un sistema dmamco Como
veremos en el apanado 3.2, la complejidad dinmica que muestran los sistemas
caticos se basa en la complejidad geomtrica de sus atractores extraos. De
hecho, estos atractores forman parte de los objetos geomtricos denominados
fractales. Estos objetos fractales no son susceptibles de ser analizados con las
herramientas tradicionales de la geometra diferencial los fractales son
verdaderos monstruos geomtricos desde el punto de vista de la geometra
diferencial, dando origen aunanueva geometrano-diferencial. La complejidad
geomtrica de los fractales puede medirse utilizando el concepto de la
dimensin fractal, y por ello, podremos utilizar dicho concepto de dimensin
para caracterizar la estructura geomtrica de los conjuntos atractores de los
sistemas dinmicos.
CAPITULO 3. ELEMENTOS DE LA MATEMTiCA DEL CAOS (II)
3-2
exponentes de Lyapunov.
La consideracin de los conjuntos atractores y repulsores elude el problema U
hf u.
ti
CAPITULO 3. ELSMENTOS DE LA MATEMATICA DEL CAOS (iii 3-3
frS
0.6
0.4
0.2
o
0 0.2 0.4 No> -
06 (PS
(3.2)
Por lo tanto, cuando la derivada sea Lf(p)I el punto fijo p ser estable,
y si !f-)1>1 el punto fijo ser inestable.
(3.4)
IogfstCa
a
a
0.8
cg 0
a
~ 04
ff2
o a
0
a
10 >1+1
:6
Figura 3.28. Construccin de la segunda iterada de la ecuacin e
logistica.
a.
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (ib 3-5
2 . . . .
0. 8 4
u3. 25
0. 6-
>4.2
0. 4
0.2
>4
Figura 3.29. Curva de fase de la segunda iterada de la ecuacin logstica r
3~25 y pr=3.5
(3.6)
7>-
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (II) 3-6
valores de ~
e
e
exponente
de
Lyapunov a
ti
O 2 3 4
I.1 0~M~4 U
Figura 3.30. Exponente de Lyapunov de la ecuacin Jogistica
A4xiVzln[L(x
1)] =lim
T- T (3.7) a
hm 44 lnLf(x,)I+lnLf~(x2)I...1nL/}xT)IJ ; VfQ)tO
a
e
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <II) 3-7
075
0.5
0.25
0.5
-0.5
I
2 2.5 3 3.5 4
Ji
Figura 3.31. Exponente de Lyapunov de Ja ecuacin logstica 2=p=4
- 0.75
tjors de III
0.25
Di
npoont.
o
-0.5
.4
3.5 SflS 3i75 3.875 4
Df- 21 (3.8)
2 Sobre el concepto y alcance de los objetos fractales para estudiar y representar los
distintos fenmonos de la naturaleza vase Mandelbrot (1997). Tenemos que apuntar que si
bien ha sido este autor quin a ayudado a divulgar y popularizar la geometra fractal, los
primeros trabajos en esta materia, la del estudio de curvas no diferenciables, datan de finales
del siglo XIX y van asociados a nombres bien conocidos, como Cantor, Peano, Hilbert,
Hausdorfl Sierpinsici y von Kocb entre otros. El desarrollo recienteha ido unida, al igual que
ha sucedido con la matemtica del caos, a la generalizacin en el uso del ordenador como
herramienta matemtica. Los primeros trabajos de Mandeibrol sobre fractales surgen.
precisamente, de su labor como investigador de la IBM.
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <II) 3- 12
Figura 3.58
-*
- -fr
E
Figura 3.59
Vase Mandelbrot (1997. pp.569-572) para un repaso de los origenes histricos del
concepto de dimensin topolgica.
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (III 3. 14
mi
mi
mit
mi
mi
mt
Figura 3.60 a
a medida que disminuye la escala de medicin, esto es, a medida que vamos
considerando mayor detalle en los infinitos plegamientos, recovecos, entrantes
a
Esta figura procede de los trabajos de principios del siglo XX de la matemtica sueca
Helge von Kocb sobre curvas no diferenciables en ningn punto.
mi
CAPITULO 3. ELEMENTOS DE LA MATEMATICA DEL CAOS (II) 3- 15
Vase ms adelante cmo podemos medir la longitud del perimetro del conjunto final
6 trata, en realidad, de una generalizacin de la medida de Lebesgue en la que se
Se
permite, a diferencia de sta ltima, que la dimensin sea culaquier nmeror real y no
necesariamente un entero.
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (II) 3- 16
ECU A, (3.10)
VI=L2... (3.11) e
que ser un nmero que mide el y-tamao del conjunto E, es decir, mide el
conjunto E ignorando la irregularidades de tamao menor que 8.
5O
e
es decir, esta medida es un paso al lmite de (3.58) incorporando irregularidades
de tamao cada vez menor. Esta 7. Semedida
puede s-dimensional
demostrar que podr
existe ser nula, algn
un nico valor mt
nmero real positivo o infinita
de s tal que, dado un conjunto EclR~, entonces
sit<ssH(E)~~
sit>s4H(E)=0
Este nmero real s es conocido como la dimensin de Hausdorff o
dimensin fractal .
7Puede deniostrarse que H~ verifica las propiedades que se exigen para ser medida, esto
es: .HY0)=O; si EcF entonces HYE)=H~F);y, si {E~} k1,2, ... es una familia de
subconjuntos de R~, entonces:
H{UE~) =Sn(E~) St
CAPITULO 3 ELEMENTOS DE LA MATEMATICA DEL CAOS (II) 3- 17
La dimensin de recuento por cajas vendr dada por aquel nmero real s,
para el cual el paso al imite de (3k0) cuando 60, ni se anula ni diverge a
infinito.
8 En este caso, a partir de (3.60) la dimensin fractal puede obtenerse
como
logN
8(E) (3.15)
a-~ .-logb
8Obsrvese que hemos eliminado 14(E) deI numerador ya que esta es una constante y
queda dominado por 2V6(E) que tiende a infinito cuando &.0
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <II) 3- 18
N<2 Dimensin
6=1/2 N,61 e,
N a
6=A
5=1/2 Ijn~N.61
mt
mt
N6=8
e
5=1/2
a
Figura 3.61.
e
Cuando 6=1/2, necesitaremos para cubrir la recta, el plano y el cubo 2, 4 y
8 cajas respectivamente. En este caso, el exponente s que se deriva de (3.62) e
sera s=1 para la recta, s=2 para el plano y s=3 para el cubo. Con el paso al
limite de (3.62) deben mantenerse los mismos valores para los correspondientes
exponentes (s), ya que en caso contrario, dicho limite convergera a cero o a
Apliquemos ahora este mtodo del recuento por cajas al copo de nieve de
Koch. Para ello, supongamos que la longitud del permetro del triangulo inicial a
esuno. Al aplicar la transformacin generadora del objeto fractal observaremos
que la longitud total del permetro en cada una de las iteraciones vendr dada
por (1,4, 42(1/3)2, 43(1/3)3,..j. Como ya comentamos, dicha longitud diverge mt
a infinito. Sin embargo, esta sucesin nos permitir calcular la dimensin fractal
del conjunto final considerando que para recubrimientos de longitud 8=(l/3)~
a
es necesario un nmero de cajas de N<,= 4fl~ De esta forma, aplicando (3.31)
obtendramos que la dimensin fractal del copo de nieve de Koch ser D~ =
Para la recta, por ejemplo el nmero de segmentos necesarios para cubrir la recta a
cuando 81/4 es N~=~4, con 8=1/8 N~8, yen general con 8(l/2)~ ser Nh2~, por oque
aplicando (3.61) t\ 1. De manera anloga, para el plano tendriamos que para 8<1/2)~ ser
N~=22~, por oque por (3.61) D~ 2, y para el cubo para =(l/2)~ se necesitarn N23~, con
=
DF=3.
mt
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (II) 3-19
Figura 3.62
Para todas las formas euclideas regulares se tendr que D~ DT. Sin
embargo, para objetos complejos o irregulares como el copo de nieve de Koch
no se cumple esta igualdad. De hecho, esta ltima propiedad es la que utiliza
Mandelbrot (1997, p.33) para definir los objetos fractales, esto es, un objeto o
conjunto fractal ser aquel para el cual DP>DT.t0
Existen multitud de fenmenos de la naturaleza que presentan estructuras
fractales. Considerese a modo de ejemplo ilustrativo una cartulina o una hoja
de papel. Se trata de un objeto regular, una superficie sin volumen, y por
consiguiente un conjunto con DT =DF =2. Cuandoarrugamos y aplastamos la
e,
e,
mt
Figura 3.63
a-
hoja hasta conseguir algo parecido a una pelota, todos coincidiremos en que el
nuevo objeto, sin ser un slido perfecto, ocupa ms espacio, ha ganado
volumen, y por tanto debe haber aumentado de dimensin (3>D~ >2). Sin
e
embargo, topolgicamente sigue siendo equivalente a la cartulina de papel, y
por tanto, su DT =2. Hemos construido un fractal.
e
En las figuras 3.62 y 3.63 hemos representado algunos de estos fractales en
los que se observa la compleja estructura, as como el atractivo visual, que
pueden tener algunos de estos conjuntos fractales.
mt
CAPrIULO 3. ELEMENTOS DE LA MATEMATLCA DEL CAOS Ufl -
3 21
y.
Figura 3.64
recuerda a las propiedades del copo de nieve de koch. En el caso de los
atractores caticos su estructura compleja procede del continuo plegamiento y
estiranxiento de la rbita en el espacio de fases derivados de las frierzas
centrpetas del sistema que hacen que ste tienda hacia el atractor y de las
fuerzas centrpetas que surgen cuando la rbita del sistema se acerca a alguno
de sus infinitos equilibrios peridicos que son inestables en el rgimen catico.
La rbita descrita por el sistema en los atractores extraos aunque sea una linea
diferenciable en todos sus puntos (necesariamentediferenciable ya que el propio
sistema dinmico es representa la derivada del sistema respecto al tiempo),
llenar ms espacio que el que cabra esperar de su dimensin topolgica D~ =1.
Su dimensin fractal debe ser D~ >1.
(b=0.3. a=1.4 ) D,. =4.2; para el de Loreuz (o=l0. r=28. b=8/3) D~ 2.06 y =
e,
El atractor de Lorenz
e
a
CAPrIULO 3-ELEMENTOS DE LA MATEMTICA DEL CAOSIIL 3 - 23
20
y O 2
dinmicos. En estos casos, hay que conformarse con las soluciones numricas.
lo que implica la necesidad de realizar un gran nmero de operaciones de
clculo. Es por ello, que en el estudio de los sistemas caticos no-lineales, el
uso del ordenador se ha convertido en una herramienta casi imprescindible, con
la que se facilita y agiliza el proceso de integracin numrica de las soluciones
al sistema.
r
Placa de Refrigeracin
1<
a
~j4
Placa de Calefaccin
e,
Figura 3.34
mt
Debido a que el modelo inclua un gran nmero de parmetros cuyo valor
deba especificar, y con el objeto de poder explorar ms rpidamente el espacio
paramtrico buscaba alguna solucin no peridica como las observadas en el U
tiempo atmosfrico real, trat de acelerar el proceso de simulacin
programando el ordenador para que slo imprimiese los resultados
aproximando la solucin a los tres primeros dgitos decimales, aunque e,
interiormente los clculos se hacan usando un nmero mayor de dgitos.
Despus de encontrar una solucin interesante decidi volver a calcularla para
examinarla con mayor detalle. Para ello seleccion los puntos inicialesque deba
utilizar el ordenador en la integracin numrica de la solucin calculada
anteriormente y que estaba impresa redondeada a tres decimales. Al examinar
la nueva solucin que salia por la impresoraencontr que no tena nada que ver
con la calculada anteriormente. Su primera impresin ante este hecho fue
pensar una avera del ordenador. Sin embargo, tras muchas pruebas observ que
el cambio que se produca en la trayectoria partiendo de las condiciones iniciales
ajustadas a tres dgitos era gradual, es decir, que los nuevos valores repetan los
anteriores en un principio, pero que en seguida empezaban diferir. Tras muchos
ensayoscon distintos grados de aproximacinen las condiciones iniciales en las
simulaciones algortmicas del modelo, concluy que se encontraba ante un
fenmeno que no proceda de ningn error de clculo del ordenador, sino ante e,
un fenmeno de dependencia sensitiva a las condiciones iniciales.
~ Recurdese que en sistemas dinmicos en tiempo continuo como los utilizados por
e
CAPITULO 3. ELEMENTOs DE LA WTEMT~CA DEL CAOS <II) 3-25
Atractor de Lorenz
50
4Q
30
N
20
10
y -30 -20 x
Figura 3.35. El atractor de Lorenz y sus proyecciones sobre los ejes cartesianos.
i=-ox+cly
<xz+rxy (3.17)
z=xy-bz
20
15
10
n
5
x
>4
a-
mt
a-
Figura 3.36 mt
La dinmica del sistema dibuja una rbita con dos bucles circulares en una
regin acotada del espacio de fases el atractor extrao, sin que la rbita se
cruce, esto es, pase dos veces por el mismo punto. As, aunque se observa una e
e
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <II) 3 - 27
20
10
0<
--o o
:0<
-10
-20
0 0.5 1 1 .5 2 2.5 3
x1
40
20
:0<
o 0
:0<
-20
-~40
0 0.5 1 15 2 2.5 3
tiempo DtzO 001 x
Figura 3.37
mt
A 1.3 a-
A
2 O
A3 -21.0
a
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <Ib 3 29
20~
15 .A.
1
10 -
Iii L~ ii~I~
5-
:~ ~-
5-
II
-10- nl
~1~
L.
-20
0 5 10 15 20 25 30 35
r
Figura 3.39. Grfico de bifurcacin del modelo de Lorenz O=r=35
C
0=2(0,0,0)
fb(r-1j ~2,r-J)
(fb(rJ)f 2 -IIitr-J)J 2 r-1)
C- ==<-[b(r-1)j
El primer punto (C
0) corresponde fisicamente a la situacin de fluido
estable, sin movimiento y con
1 48-149). trasporte
Este deesestable
equilibrio calor por conduccin
para (Sol1),y
valores de r40,
Manrubia,
volvindose1996, Pp. cuando r> 1. El proceso de conveccin de Rayleigh-
inestable
Brnard, esto es, el flujo circular del sistema se inicia cuando r=1.
a
50
40 - a-.
Wr!~ :-
30 -
.1
20 -
a
~.5
10 -
mt
./
:0< o
10 - a
-20 -
a
-30 :4 t~ -
-40 ~tq a
-50
O 50 100 150 200 250 300 350 a
r
Figura 3.40. Grfico de bifurcacin del modelo de Lorenz 0=r=
350
e
Valores de r Atractor
Loo, 1] (0,0,0) es un equilibrio estable a
[1. 13.93] Los puntos fijos C+, C- son estables, y Co pierde la
estabilidad.
[13.93, 24.06] Transicin al caos: aunque existen trayectorias caticas no a
a
En la tabla se observa como para valores de r superiores al valor crtico
r~ z24. 75 los puntos fijos C+ y C- pierden su estabilidad, entrando entonces el
sistema en rgimen catico. Como complemento, en las figuras 3.39 y 3.40
a
representamos el grfico de bifurcaciones del modelo de Lorenz para distintos
valores de r. Para la elaboracin de estos grficos, y a diferencia de los sistemas
discretos, hemos representado los valores que va tomando la variable x en la a
seccin de Poincar para z=r-J una vez transcurrido el periodo de transicin
Este anlisis grfico de dinmica comparativa muestracomo el comportamiento
cualitativo a largo plazo del sistema va cambiando a medida que aumenta el a
a
CAPrrULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (ifl 3-31
Atractor de Rossler
20
15
lo
o
-5
-10
15
y -10 -5 x
El atractor de Rssler
Rssler encontr que para los siguientes valores de los parmetros a 0.2, =
b= 0.2, c=5. 7, las trayectorias que dibuja el sistema (3.52) dentro del atractor
~ Para un anlisis detallado de este sistema vase Alligood, Sauer y Yorke (1996).
CAPrTULO 3, ELEMENTOS DE LA MATEMATICA DEL CAOS <lI~ -
3 32
r
20
10
:0<
o
-10 r
O 200 400 600 800 1000 1200 1400 1600
10
o mr
-10
a
-20
0 200 400 600 800 1000 1200 1400 1600
30
a.
20
N
10 a
o
0 200 400 600 800 1000 1200 1400 1600
e
tiempo: DtzO 1
Figura 3.42
a
0
CAPnULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (II) -
3 33
20
10-
{~ H
-10
O
.y
200
Vi
400 600 800 1000
10
5
r
:0<
-5
-10
0 200 400 600 800 1000
tiempo: Dt=O.1
Figura 3.43
Aunque cambiamos los valores respecto a los utilizados originariamente por Rsler,
17
mr
25
mr
20
mr
15
a
10 a
a
5
e
o
0 2 4 6 8 10 12 14 16 a
c
Figura 3.44. Grfico debiflircaciones del atractor de Rssler O=c=
6.
e
a.
CAPTTULO 3. ELEMENTOS DE LA MATEMATICA DEL CAOS (IP> 3.35
0004
054
Sa
02.1
y-,.
2-
e -~
00~
4
.4
cm
Figura 3.45. Sistema de Rssler: Ciclo Lmite de periodo uno (c=I); Cielo Limite de periodo dos (czo);
y Ciclo Limite de periodo cuatro (c=8.5).
Figura 3.46. Sistema de Rssler: Ciclo Limite de periodo odio (c=8. 7); Caos (c=9), y Ciclo Limite de
periodo tres (e=12).
CAPITULO 3. ELEMENTOS DE LA MATEMATICA DEL CAOS (Ifl 3-36
mr
no
a-
a.
0010 -s o o
Figura 3.47. Sistema de Rssler: Ciclo lmite periodo 6 (e=12.8); Caos (c= 14).
e
a-
MW
60 a
50 e
4<? e
40 e
k30 - >2
1~..
~,
a
20 a
e
10
e
o
0 10 20 30 40 50
c
e
Figura 3.48. Grfico de bifurcaciones del atractor de Rssler O=c=48.
a
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (II) 3- 37
El atractor de Hnon.
x,~
1=l +yax
(319)
y,~1 =bx~
Atractor de Hnon
04 ~t..
03-
02-
.9..
Lt
01
:9
0u
o,
2
-0 1
~1
-0.2
-0 3
-04
-lb -1 -0.5 0 0.5 1 1.5
x(t)
Figura 3.49. Atractor de l-Inon
Existen numerosos estudios sobre este modelo. Aqui seguimos bsicamente a Sol y
18
2 e
1
mr
1 e
100
20 40 60 80 a.
tiempo
0.4
e
0.2
a
0
-0.2
a
-0.4
0 20 40 60 80 100
tiempo e
Figura 3.50
a
del sistema. El atractor de Hnon posee una estructura algo ms compleja que
el atractor de la ecuacin logstica analizada anteriormente. Se trata de hecho
de un atractor fractal autosemejante, con dimensin fractal DL 1.2. Es decir, se
trata de una figura que liena algo ms que la recta pero menos que el plano, y
que presenta la misma apariencia compleja cuando se observa a distintas escalas a
(vase prximo apartado).
~La ecuacin logstica puede verse como un caso especial de esta familia de sistemas
cuando g=o.
a
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <II> -
3 39
y
-~ -e.
4
.5
a
Exponente de Lyapunov
o a
(3.20)
y,4, zz~x
0
0.25
0.2 mr
0.15
mr
0.1
MI
~ 0.05
ml
0
-0.05 a
-0.1
e,
-0.15
-0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25
a
4t)
Figura. 3.52. Modelo de Marotto r2.5, b2
e
mt
0.25
e
0.2
e
0.15
e
0.1
0.05 e
o e
e
CAPITULO 3. ELEMENTOS DE LA MAT?MATIOA DEL CAOS <II) 3-41
0.25
0.2
~0.15
0.1
0.05
0.05 0.1 0.15 0.2 0.25
x(t)
Figura 3.54. Modelo de Marotto rOS, r3
0.25
0.2
0.1
0.05
o 50 100 150 200 250
tiempo
Figura 3.55. Modelo de Marotto rO.8, b3
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (<~> 3 -42
u.
e
0 26
o 24 a
022
e
02
018 a-
~0 16
e
0 14
O 12
a
01
0 08 e
0 06
005 0.1 0.15 0.2 0.25 e
x(t)
Figura 3.56. Modelo de Marotto crO.2, I#3.5
e
SS
0.2%
e
0.2
e
~O.15 a
e
0.1
0.05
0 100 200 300 400 500 600
tiempo no
Figura 3.57. Modelo de Marotto rO.2, b3.5
a
4-1
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I)
CAPiTULO 4
LA DETECCIN DEL CAOS DETERMINISTA
A PARTIR DE SERIES TEMPORALES (1): EL
CORRELOGRAMA, EL PERIODOGRAMA Y EL
ANLISIS RIS
e
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I> 4-3
Con la dmamrca del caos se rompe tambin con otra tradicin en el terreno
emprico, sobre todo en econon>ia Nos referimos a la estimacin de modelos
economtricos bajo la hiptesis de linealidad. Los exponentes mximos de este
enfoque se encuentran, en primer lugar, en los modelos ARMA
AutoRegressive Moving Average y de fUncin de transferencia segn la
metodologa Box-Jenkins (1970) y, posteriormente, en la Teora de la
Cointegracin y los modelos de Mecanismo de Correccin de Error. Con la
proliferacin de estos modelos comenz ya ha hacerse patente la creciente
desavenencia entre la teora econmicaesencialmente lineal y la econometra
que no debe plantearse como una simple herramienta para contrastar la
sgnificatividad de los modelos tericos planteados, debindose construir los
modelos economtricos a partir de las series temporales observadas y no de la
teora econmica,la cual, por tanto, debe servir de apoyo en dicha construccin
slo para la eleccin de aquellas variables que a priori deben guardar cierta
relacin. Este divorcio entre teora y econometra se suscit, en parte, por el
mal ajuste que proporcionan los modelos tericos y que por tanto deban ser
Algunos de estos test no sern considerados en esta tesis. Entre ellos podemos destacar. e
los propuestos por Gilinore (1993) basado en la utilizacin de los grficos de recurrencia;
Hinich( 1985), Ashley y Patterson( 1989) y Chen( 1996)basado en el estudio de la serie en el
dominio de frecuencias; White (1989a,b) que hace uso de los modelos de redes neuronales
artificiales para captar culaquier tipo de estructura determinista existente en una serie e
temporal; y Fernndez Rodrguez(1995) y Fernndez Rodrguez y Martn Gonzlez (1995)
que se fndamenta en la prediccin por analogas de los modelos caticos. capacidad de los
modelos catico. La capacidad de estos test para detectar comportamientos no-lineales de .
dinmica catica los convierte en el centro de atencin de futuras investigaciones.
e
CAPFTULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPDRALES(I) 4-6
En este sentido, resulta poco verosmil pensar o creer a priori que las series
econmicas estn exentas de cualquier tipo de componente aleatorio. Es por
ello, que el comportamiento que habra que buscar a partir de una serie
temporal, y con ms sentido en el campo de la economa, sera el de un caos
ruidoso. Esto es. teniendo en cuenta que independientemente de las propiedades
cualitativas del sistema dinmico subyacente generador de la serie temporal en
caso de que exista, las observacionesmuestrales procedentes de dicho sistema
siempre van ha estar perturbadas por la presencia de algn tipo de ruido
puramente aleatorio. Este supuesto sobre la existencia de ruido puramente
aleatorio, limita la capacidad de la mayora de los test propuestos para la
deteccin del caos determinista ya que stos no son capaces. en general. de
discriminar cuando la irregularidad observada en la evolucin de una serie
temporal es puramente aleatoria o catica determinista.
Los test para la deteccin del caos determinista tratan de encontrar caos
basndose en las propiedades bsicas de estos sistemas, y que como ya vimos
se podan resumir en que son sistemas dinmicos no-lineales, su solucin es
irregular y aperidica por que convergen a atractores extraos y su de
pendencia sensitiva a las condiciones iniciales. Desgraciadamente no existe un
nico test que recoja todas esas propiedades, deben utilizarse por tanto de
manera complementaria distintos test que tratan de contrastar de manera
separada algunas de esas propiedades.
e.
El siguiente paso consiste en utilizar otra serie de herramientas que sean u..
capaces de detectar cierta correlacin o dependencia temporal en la evolucin
de las series econmicas, ya que precisamente si [aserie ha sido generada por
un sistema dinmico determinista, por definicin, su evolucin temporal deber a.
estar regida por dicho sistema. As, una segunda herramienta para detectar
comportamientos caticos esprecisamente el anlisis de su correlograma en el
dominio temporal. En tercer lugar, y como el series caticas deben ser e
aperidicas. el anlisis espectral en el dominio de frecuencias, elperiodograma.
debe mostrar evidencia a favor de dicha aperiodicidad.
a
e
CAPITULO .4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I) 4-7
u.
e,
O E
0/7-
O.
e
O.4~
0.3-, d.~--~..t.~A
.4 ~ r.. O ni ~ O, C~U,C,rCni ~D O~ CJ .n nl . r- O ~
-. n4 ~ t4 r.~ ni ni ni - . LO LO LO - t~- r-
SS
~214
..-.-44-.--4--t--+-4~4-4--
~ r~ O ni SC O,,4
t..,+..., ~
LV LO
t .,...+4.
~.-..r-co,
. ..-+f ~l-+-~. ...t.-.~.
~fl
~O, ~.+ A +-4. + ~--4-++--~ 4+
O 01
.1 LV LV CV ni ni ni e ~ ~ Lii O iii lO O SC t~
SS
Figura 4. 1
e
4-9
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I)
u
o
tiempo
-eoo
o>
O,
tiempo
Figura 4. 2
Por otra parte, una primera caracteristica que debemos observar en la serie
temporal si sta procede de un sistema catico determinista ser una evolucin
errtica y aperidica, es decir, debe presentar una dinmica compleja. Esta
complejidad dinmica podr estar tambin generada por un sistenm puramente
aleatorio, o por un proceso donde se combinen estas dos fUentes de
complejidad. El anlisis grfico de la evolucin temporal, si bien puede revelar
en cienos casos, y siempre con algn componente de arbitrariedad, el carcter
determinista de dinmica simple de la serie, es incapaz de mostrar cul es la
verdadera naturaleza o el origen de la irregularidad y aperiodicidad observada
en la serie temporal, esto es, si procede de un sistema dinmico en rgimen de
comportamiento catico, por algn proceso dinmico puramente aleatorio o
por alguno donde se combinen comportamientos caticos deterministas con
otros puramente aleatorios (figura 2).
CAPITULO 4. U DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I) 4-10
e,
es una funcin real de los nmeros naturales r:N>R, que a cada kcN. asigna
un valor que denotaremos por 4(t) que ser igual al coeficiente de correlacin
entrey, e y,4 (Novales 1988, pp229-234):
SS
Var(y,)- Var<y~~)
La estimacin de lafacs del proceso estocstico a partir de la serie temporal u,
puede realizarse de la siguiente fonna:
iT e
E (4.2)
4
!f(y~j7)2 -~- E (y 7) e
1-S
__ T k r=k+I
0+
SS
4-11
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(P
~,1
au o
-0.5 OS NI I~IhhIWI R
nl nl ~101 o - o
1 1 -----~----~-
o.
o.;
o.
jo
-0.5
nlnl~Lio~01m
01 nl
0 O
010~
~- -
-.
o
2 nl l ~101~~~+0.
01o 0+~
O~0-
u.
Egura 4. 3
7.
j7=l~y, (4.3)
(4.4)
+ <PA2Y,~2 + + 9kAYt-k ~-e,
donde jY,,representa el valor de la serie en] respecto a la media muestral (j~ y1
-y).
CAPrTULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(l) 4 - 12
II I 1 1 1 1 iNI~~~~
r
0.5 e,
-0.5
-1 ----
0.01 0+
0 - 0.
01 .. .-.. .--..
oOnl0.01000
0000040101O o 0. 0. o o
- -.. 1 ml
o.
o.
o.
t~o
5
e
o..
0.
_____ u. u.
el
Figura 4. 4
e
El correlograma
SS
Las estimaciones de las funciones de correlacin simple yparcial a partir de
una serie temporal constituyen su correlograma. Ntese que el coeficiente
estimado para la faes y la facp para el retardo k=O ser uno. Para el resto de
e
retardos los coeficientes estimados estarn comprendidos en el intervalo [-1,1],
con la nica restriccin de que r1 =
u
En caso de que exista cierta estructura dinmica en el proceso estocstico
esta quedar reflejada en los valores estimados en lafacs y la facp, que sern
e
0.0 -0.0 0:
001
nl nl
o
nl nl04~0
u0to0.00Ot
00 0101 01 o
k nl 0.001
~nlnlnl04 0 0. 04 fl%nl%0. 01
040401 01 0
01
.coL.
0+
-1 o ~.~..~0~~~ u. k
.9..
-
SS
Figura 4. 5
e
CAPITULO 4. L~ DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES<I~ 4-13
1 1-
-o. O -0-5
0. 0 01 0
nl00,00-4040404o0+0+t04% ~ + k 00 0+
,0 01 0
0+nlO.00000401Z A
0. 0.6-
o. __ __
.2-o. a o ____
-o a
1
4 t~.
~---
04 0
0.
.... ..-.
04~S0t04% t
1
.0.0+01
o o 0.4 lt4404
000400000404040404 5 00 040~0+ 044, A
li~.
-it
t - 1
Figura 4. 6
4. Slo en el caso en el que el proceso
significativamente
estocstico distintos de cero
est incorrelacionado en el tiempo, es decir, que los valores que va
tomando la serie temporal no guarda ninguna relacin dinmica de
retroalimentacin, los coeficientes estimados resultarn no-significativos.
1 . 1,
.4 0 4 0 O,C4u,0,.4~ k N 0+ 00 0 04u,00 LI
1- .
1+--
o - 5- 0.5-
o.
o 00 0. 0+ 04 0 04~o5 1,
04 0+ 0 00 .0 o04u,%nl% k
-0.5 -o.
, 1
Figura 4. 7
A efectos prcticos, los intervalos de significacin se pueden establecer por las bandas
de 2/~
0+
II
e,
0.5 GARCH o. (GARCHY
0
.2
e,
0.5 0.5
I . -~-- 1
.. 01 +0 ++ u, 0+ . 04 0+ 0 01 0 0+04000 k
A 0+040+010404040+01
0.6 0.5
.2
0.5 -0.5
04 0. 0+ 0+ +0 0+ 04 tOtnl% k 0+ 0 04 0 0. 04 0 06 04 k
010101,00400044, 0+
SS
--u.
WC
Figura 4. 8
la naturaleza lineal, ono lineal del sistema dinmico subyacente, y por tanto si e
5.
distintas series caticas y no caticas
e
la posible dependencia no lineal presente en una serie, se haya propuesto en la
pero no lineal (Bollerslev, 1988) figura 8+..6. Otra alternativa para afrontar este
SS
compuesta por una sucesin de variables aleatorias N(O,l), mientras que en la figura 8
WC
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES<b 4- 15
hemos utilizado el siguiente proceso estocstico GARCH tomado de Bamett ci al. 1999:
y(t)4(t)<)uQ),con h(t)=l +0.1 y(t-l )2-I-0.8h(t-1); h(0)=l; y(0~O; u{t)-N(0, 1).
Debemos apuntar sin embargo, que al igual que suceda con el correlograma, la e
e
cAPrrULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPDRA[ES(I) 4- 17
B
-a. 4
A A iiempo
A
1 21
Figura 4. 9
R
R cosfrt+k)
tiempo
u
-R -R
a
Figura 4. lO
a
del tiempo:
a
z=R[cos(wt+F) +isen(wt+F)] (4.10)
Para pasar de radianes a vueltas habr que tener en cuenta que 2it rad 1 vuelta36O0
a
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I) 4-19
Parte imaginaria
Fonna binmica
h z~a>-bi ==/-b
1
Forma polar
a
,..__~.~-
r r cos a
b= r sen a
a Parte real
{ (r, a)
W.arguniento
Figura 4. II
Utilizando esta forma de Euler (7) y por igualacin. el armnico (5) puede
escribirse como 12
Como decamos, Fourier utiliz estos armnicos para construir una familia
de funciones trigonomtricas ortogonales peridicas que posteriormente
serviran para aproximar cualquier funcin de periodicidad simple 1(t) - Esta
aproximacin es conocida como desarrollo en series de Fourier y puede
expresarse como:
(4.13)
p=o p=O
donde cada armnico ~~ft) muestra una amplitud R,, y un periodo T~ = 2tpw,
siendo p=O,1,2, 3,... el orden del armnico. Teniendo en cuenta que 4)=R0
cos F, y que cada armnico p puede por (8) como:
cp~t)=A~cosc1pwt)
-i-B~sen(pwt) (4.14)
itt)
e,
tiempo
T T T
Figura 4. 12 a
e
La utilizacin de estas series trigonomtricas tiene la ventaja, frente a otras
aproximaciones que utilizan funciones como la polinmica. de estar compuesta
por funciones sinusoidales, permitiendo as la representacin de fenmenos de u
al cabo de un nmero Tde periodos, por muy complicada que sea su evolucin
temporal figura 4. As una funcin peridica con periodicidad simple T,
frecuencia verdadera J/Ty frecuencia angular w=2 ti, podr aproximarse por: e
f
7(t) =A0 +~ A,,cos(2itpt/T) -i-B.sen(2rtpt/T) (4.16)
p=l
>3 a~ (4.17)
-~ a
e
CAPITULO 4. LA DETECCIN DEL. CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALESOI 4-21
fab
9p(X) <p,/X) d(x)=O (4.19)
13 Para llegar a las expresiones (13) y (14) debemos hacer uso de hecho de que:
A,
2 21) e 27$
estamos ante la familia cos (2npt/T), sen (2zqr/T). estas sern ortogonales en
el intervalo (-T/2, T/2) de amplitud T=2zrIw. Para normalizar dicha familia de
funciones ortogonales tendremos que considerar funciones del tipo (1/IT) tos U
(29t/T), (]/VT)sen (2rcqt/7), de forma que esta familia de funciones constituye
una familia de funciones ortogonales normalizadas, esto es:
a
Teniendo en cuenta estas relaciones de ortogonalidad. para estimar los
valores de ab partimos de la aproximacin (13) y multiplicamos ambos lados
de la igualdad por 1/T e2~ ti. U
1 -/T1 r
T 1(t)-e ~=~
T,,=.~,. a e 27PDe -2~qh/T (4.23)
pTI2 1 -2aph/Tdt
a
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I) 4-23
O e
~- e e e
e e e e. - e
it it
Figura 4. 13
~El supuesto sobre la estacionariedad en media implica que la serie temporal est libre
de tendencia, por lo quca lr&ora de aplicarlo a las serie econmicas deberemos aseguramos
previamente que las serp~ ~pp estacionarias en media (vase el prximo captulo 9).
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I) 4 -24
N N 1 (4.28) e
27 2NAt 2At
e
con:
N
(4.31)
j=I
U
5Por otra parte, dado el rango de la serie temporal, el periodo mximo detectable en la
serie ser de T/2
6En la estimacin de los coeficientes a,, con series temporales muestreadas en intervalos e
de tiempo finito se produce un sesgo derivado del denominado efecto aIasng que ser
considerado posteriormente en este mismo apartado. Adems, para estar seguros de poder
detectar el periodo fundamental presente en un proceso T a partir de una serie temporal el e
rango de la serie debe ser suficientemente amplio (>27).
>7.
CAPITULO 4. LA DETECCIN DEI. CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I> 4 -25
57.
informacin sobre la significatividad de cada uno de los annnicos con los que
se aproxima la kncin temporalf(t) utilizando el desarrollo en series de Founer.
e
>7
4 - 27
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALESU>
donde xv,, est definida slo para frecuencias cero o positivas, esto es, xv,, =
p/(NAt)= Wm~ 2p/N (p=0, 1 N/2) y donde P(w,,) en (39) proporciona el
espectro de potencias para las N/2 + 1 frecuencias. El grfico del espectro de
potencias (xv,,) en funcin de sus frecuencias asociadas w,,=pI(NAt) se
denomina espectro de frecuencias y la grfica del espectro en funcin de
losperiodos L
2 =2 ser el periodograma de la serie temporal.
z
-e 0
~t 1
r
fNyquist
~ 1
~ ff mt
Frecuencias
fNyw,is f 3fNyqut
reales a
Fi~ura4. 14
u,
en la frecuencia 1kI%V~,S,. que vendr dada por (figura 6):
1. ~hfNvquist+,f si Ji es par
a
a
CAPrrULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I} 4 - 29
J ~ Nl)J
P(wJ=P(O)=1/W, FQ <2
,~
PYWm~,9=P(WN
HFJ )
9=1/ W5~ F,, 2
con
1
2
W53=NE
1= 1 x
2 0
o
-2 e
c
o.
c
-J -6 a
-6
-lo- mt
-12
InI 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
Periodo
e.
e
El periodograma y la deteccin del caos.
e
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES{J) 4 . 31
(2
e:
o
e: -5
-J
lo
.1
(nf 20.0 10.0 67 SO 4.0 3.3 29 2.5 22 2.0
Pehodo
4--.- e
2? 1 21
0? 0
3-0- ~ 4?
.0-
-00 .00?
.02
5< 200 000 67 ~0 50 2
23 19 26 2.2 20 .12? -
200 000 67 50 40 as 25 26., 22.12,0
Figura 4. 17 Figura4. LS
CAPITULO 4, LA DETECCIN DEL CAOS DETERMWIISTA A PARTIR DE SERIES TEMPCRALSS(I>
4 -32
00
e
-lo
-
-20
1[o
0
A. -
22
22 -15
-24- -za
-25 - - - e
5~ ZOM 067 6250 l&j2 O~ 0764 WC OMS 05~ .~
P.nt It 2~ t~ 0W 05~ ca o~ OIU 0260 Orn 02~
-e
Figura 4. J9. Ciclo lmite periodo 1.5 Figura 4. 20. Ciclo limite periodo 8 procedente del
modelo de Rossler e
e-
8
6 a
w
e
a,
o
a
r mt
-J O-
-2
SI
-4
-6- -~ --
mr
mf 5.000 2.500 1.667 1.250 1.000 0.833 0.714 0.625 0.556
Petiodo
a
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA .4 PARTIR DE SERIES TEMPORALESII) 4- 33
15
10
0
(O
~ -5-
o
s-10
e
-J
-15
-20
-25
-30 0.125 0100 0fl83 0071
nf 0.500 0.250 0.167
Periodo
.1
Figura 4. 22. Periodograma del Atractor de Lorenz
Para mostrar la dificultad que presenta la deteccin del caos a partir del
anlisis espectral mostramos en las figuras 16 a 18 el periodograma de los
sistemas en tiempo discreto de la aplicacin logstica, Henon y Mackey-Glass
en rgimen catico. En los tres periodogranias se observa la figura caracteristica
del ruido de banda ancha junto a un pico en el origen del grfico. mostrando el
carcter aperidico de estos modelos.
CO -5
(~0
e
~ -10
a
.5-15
InI 2.000 1.000 0.667 0500 0.400 0.333 0.286 0.250 0.222 0.200
Periodo
Figura 4. 23.Periodograma del atractor extrao de Rossler.
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I> 4-34
e?
5.
Iv
0-
50
e
42
o e?
o-
e
-J
-6
e;
-lo
Ir< 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0 u.
Periodo
Figura 4. 24. Periodograma aplicacin logstica. Caos
mr
fi .. ..- - mr
4?
2
e;
.:~Y
4 ~
2 ~ :1 1 mr
1~i1r~~~
-6-
-a e;
-lo-
-12 -
nf 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
r~enodo e
mt
ID . . e
-y
5.
e;
e;
II, 1; 4jki~it~i
-10
SI
kW 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
Pedodo SI
Figura 4. 26. Modelo Mackey-Olass. Caos
u
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORAES(I) 4-35
4-..- -
-Y?
2
0.
~ -4-
4
-e-
-8
-10
nf 20.0 10.0 6.7 5.0 4.0 3.3 2.9 25 22 20
Penado
Figura t 27. Periodograma ruido aleatorio. 110 N(0.l)
E
y
4
o
tu
.4
-e
-8
-lo
-12 -
(nf 20.0 iGO 67 50 4.0 3.3 29 25 22 20
Penado
Figura 4. 28. Periodograma ruido aleatorio. LID U[O, 1]
4
2?
y
2
lii .0
1 0;
-4
-4.
-8-- -.-.
Ss
6 a
II
4 .1.
u mr
~ 2-
o.
-J
e;
-2 a
nf 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
Petiodo e
Figura 4. 30. Ruido Catico. Atractor de Lorenz discretizado Ah
mr
Por otra parte en las figuras 19 a 21 se muestra el periodograma de tres
seales puramente aleatorias lID N(O. 1), lID Uniforme[O. 1] y un proceso
GARCH. La apariencia visual del periodograma de estas tres seales es mr
parecida a la mostrada por los ruidos caticos deterministas salvo el primer
pico en el origen que no aparece ni en la normal ni el el proceso GARCH.
u,
Esta similitud entre el periodograma de ruidos puramente aleatorios y los
caticos en tiempo discreto tambin aparece cuando sediscretizan los sistemas
dinmicos en tiempo continuo, es decir, cuando estos son observados a e
15 e
lo.
a
SL
e.
0. o II..
-J
mr
~1O
mr
nf 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
Periodo mr
Figura 4.31. Ruido Catico. Atractor de Rssler discretizado Ah
e
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES<D 4 - 37
2
u
SC. -~
a,
o
a-
-2
-4
-6-
nf 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
Periodo
Figura 4. 32. Periodograma serie y(t)<=~y(t)+u(Q; y(t): logstica s3.56 periodo 8~ u(t)I11) N(O. 1).
Podemos concluir, por tanto, que el anlisis espectral resulta til para
encontrar comportamientos de dinmica o periodicidad simple, aunque resulta
poco concluyente para discriminar entre comportamientos caticos frente a
otros puramente aleatorios o ciertos comportamientos cuasiperidicos de
elevada dimensin. Podramos aadiraqu que incluso en algunos casos donde
series de dinmica simple perturbadas con algn tipo de ruido puramente
aleatorio, el anlisis espectral tampoco es capaz de detectar la dinmica
determinista subyacente en la serie figuras 24 y 25. Todo ello, nos apunta a
la necesidad de completar el anlisis espectral con otro tipo de tcnicas para la
deteccin de comportamientos caticos.
10
8
8 Y-
4 ~- .
.~ 2~
c
4,
.3 Qv
o.
.5 -2
-4k-
-6-
-Sr
-10.
nf 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
Periodo
Figura 4. 33. Periodograma proceso ARMA.
cAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I) 4-38
e
P(w)ocE C(r)e -2rtpN Ctz)ccS P(w)e -i2itpw/N (4.50)
VI
SI
donde P(w) y 0(r) son el espectro de potencias y la funcin de autocorrelacin
temporal respectivamente. Es decir, tanto el periodograma como el
correlograma estimado a partir de una serie temporal proporcionan mr
esencialmente la misma informacin cuando una serie presenta algn tipo de
periodo simple T tras el cual se repiten sus valores, el periodograma mostrar
un pico en dicho periodo y el correlograma presentar un coeficiente de mr
autocorrelacin temporal significativo para precisamente en el retardo T.
mr
~ teorema hace uso de las expresiones (34) y (35) y de ladefinicin de Convolucin
f*g=fJQ)gQ-t)dr y correlacin contf,g)=f7*r)g(jfldv--- de dos Ibnciones
temporales (Alcaidey lvarez, 1992, Pp. 486487, y Sol y Manrubia, 1996, p. 235 Sobre
). SI
lautilizacin del correlograma para estimar el periodograma vase Hamilton, 994, 152-173.
e;
CAPITULO 4. LA DETECCION DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(I1 4 - 39
HE. I-lurst fue un hidrlogo ingls que dedic gran parte de su vida a
estudiar el rio Nilo. Entre otras cuestiones, trat de determinar cul debera ser
la capacidad de depsito o de almacenamiento de agua apropiada para
enfrentarse a las subidas y bajadas en el caudal del ro. Su preocupacin mxima
era la de construir una presa que permitiese el abastecimiento de agua en todo
momento, es decir, no slo ante el caso de que sobreviniera un alio seco sino
tambin ante la posibilidad de que se sucedieran toda una serie de aos secos
seguidos. Es por ello que estaba interesado en saber silos incrementos del
caudal de un ao para otro eran independientes -ms concretamente un mido
blanco-, o si por el contrario exista cierta persistencia o memoria temporal en
las variaciones del caudal. En este ltimo caso, para asegurarse el
abastecimiento de agua, la capacidad de la presa debera ser mayor que si las
variaciones de un ao a otro fuesen independientes.
As. Hurst (1951, 1955) estudio las subidas y bajadas del Nilo con un
mtodo de anlisis de su propia invencin para tratar de estimar la posible
recurrencia en las variaciones de su caudal, que en palabras de Mandelbrot
(1997, Pp. 554) , podra haberse calificado de estrecho de miras y ad-hoc, pero
que en realidad ha resultado eminentemente intrnseco, ya que est relacionado
con las propiedadesescalantes de los movimientos Brownianos. Es porello, que
antes de exponer el mtodo de estimacin del exponente de Hurst y como ste
puede ayudar a la deteccin de comportamientos caticos, vamos a resear
cuales son las propiedadesbsicas de los movimientos brownianos, comenzando
con los ordinarios y posteriormente con los fraccionales.
e-
SI
mt
mr
Jirgens y Saupe (1993, Pp. 475496). Como ya se ha comentado, aqu nos limitamos a repasar
algunas de sus caractersticas fundamentales a modo de introduccin y con el propsito de
destacar la importancia de esta clase de procesos estocsticos para el anlisis de series
caticas.
2) Hasta entonces se pensaba que dicho movimiento errtico y desordenado deba tener
una explicacin puramente biolgicarelacionada con las propiedades biolgicas del polen. e;
e;
CAPITULO 4. LA DETECCIN DEL CAoS DETERMINISTA A PARTIR DE SERIES TEMPORALES~I> 4 - 41
Cabe destacar tambin los trabajos previos de Albert Einstein quien public en 1905
23
un estudio sobre el movimiento browniano basado en la teora cintica de los gases. Estas
aportaciones permitieron posteriornientea Perrin calculare/nmero deAvogaaro, ycon ello
obtener, a su vez, el premio Nobel (Guzmn et al. 1993, pp.57-5S).
24Entre otras disciplinas ha sido ampliamente utilizado en economa, relacionando los
procesos de Weiner con la Teora de la Cointegracin.y los test de races unitarias. Vase
MaddalayKim (998) y Hamilton (1994, pp. 483-533).
25 Recordemos que la deriva es el tnnino constante de un paseo aleatorio, es decir, una
puede ser positivo o negativo -derecha o izquierda- en una cierta distancia con media cero e
independientemente del desplazamiento anterior.
mt
Por otro lado, la varianza de este proceso no ser constante, sino que ser
una funcin creciente del tiempo transcurrido entre las dos observaciones:
4. . - .. ..- .
1 [w,, a
1li~-J>~L ~ ~#I~J~I~
XIUV4Ajfr
~ O ~ nl t VI Q~ e~
2 ~ 1 . [~b LI
4. ..
mr
tiempo
20 -- .
mr
15
10 -
st
mr
SI
O
151 mr
-20r
25
-J
tiempo
mr.
Figura 4. 35. Movimiento browniano ordinario unidimensional
a
CAPITULO 4. LA DETECCIN DPL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES(L 4 -43
y su varianza:
r2a=l <4.58)
Movimientos hrownianosftacionarios
e
y tal que:
E[x(ti-n) x(t)] =0 (4.60) mr-
a
CAPrTUW 4. LA DETECCIN DEL CAOS DETERM,NISTA A PARTIR DE SERIES TEMPORALES(I) 4 - 45
r2a211uzl (4.64)
Var[x(t)xQ11>] Var[u(t)]
vimos en (5.8)
)
CAPFTULO 4. LA DETEOCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPOSALES(I~ 4-
mt
a
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES<b 4 -47
H0,3
Figura 4. 36. Movimeintosbrownianos: ordinario, fraccionario antipersistentey persistente (H: .5,3 y .7).
mt
H=0 3
ti jJIr 11111 -- mr
o mr
--Ql .rJ. ti mr
o
e
o
mr
-l - .---. .--- ___
o! .. -
H 0.7
e
e
-0! - . -. .
Figura 4. 37.Gratos del mido asociado a tresmovimientos brownianos: mido antipersislente H0.7(L1l .7); e
ruido blanco 1-1=0.5 (EYI .5); y ruido antipersistente H0.7 (lJ~l .3).
e
incluye a la variable tiempo de forma explicita.
A modo de ilustracin y siguiendo a Peitgen, Jtirgen y Saupe (1993, Pp.
495-496) consideremos el grato del ruido de un movimiento browniano 1- mr
dimensional, figura 4.5.4. Dicho grafo es una linea dibujada en un espacio
bidimensional (u(t), t), por lo que su dimensin D estar acotada entre 1 y 2:
1 =D=2. Veamos cual es la relacin entre 11 y la dimensin fractal del grafo del e
ruido. Emplearemos para ello la definicin de dimensin por recuento por cajas
introducida en el apartado 3.2. Supongamos que hemos cubierto el grato de 41)
para t entre O y 1 por N cajas de lado r. Si consideramos ahora cajas de tamao S
r/2, por las propiedades de invarianza ante el reescalado del movimiento
browniano, observaremos que el rango de 4t) en la primera mitad del intervalo
mr
temporal (0,1/2) ser 1/2 veces el rango de u) sobre todo el intervalo. Lo
mismo ocurrir para la segunda mitad del intervalo temporal (1/2,1). As, para
cadamitad de intervalo, seesperar necesitar 2N /2 cajas de tamao r/2, y para e
todo el intervalo se necesitarn22N cajas. Si pasamos a la siguiente iteracin,
en la que tendremos 4 intervalos, obtendremos que el nmero total de cajas
necesarias para recubrir todo el intervalo ser de (22H)2N cajas de tamao r/4.
Si seguimos iterando, obtendremos, que en la etapa k-sima, se necesitarn (22
jA N cajas de tamao r/2k. A partir de aqu, se demuestra, usando el paso al
limite de la dimensin por recuento de cajas. que: e
D=lim log (
22<kN] 2 H (4.66)
k-~ log2k/r
e
CAPITULO 4. LA DETECCION DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPDRALES(I> 4-49
mt
p de forma que:
AprN (4.67)
mr
identificando a cada submuestra de tamao p. como 4. con a=1...A y
a sus elementos como N~0 64. con a=t..A. k~ I,..,p.
a
3-
Pk<
]\\ (4.68)
mr
a
4a e k= l,...,p (4.69)
mr
(1v) Se define el Rango como la diferencia entre el valor mximo y el
mnimo dc la serie X~0 para cada bloque 4:
mr
mx (XkO) - miii (Xkr 1 =k =p (4.70)
mr
(y) Se reescala (estandariza) el rango por la desviacin tpica muestral,
calculada para cada bloque 4:
e
8
Si=( ~ (N~ (4.71)
mr
la
1 mr
(R/S)~ A (4.72)
8
a
a
36segunos aqu a Peters (1991 cap. 7 y 1994 cap. 4). Vase tambin Mandelbrot (1997, a
pp.353-355) y Grau (996, pp. 50-57)
mr
CApITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES<I> 4 - 51
(RIS)~ocp II (473)
Con esta nueva serie, siguiendo los pasos (0 a (vi) y para los mismos
valores del entero p que fueron utilizados con la serie temporal original, se
estimar E [H]valor esperado para el exponente de Hurst bajo la hiptesis
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES<I) 4 - 52
mt
mr
Esta determmacon del ciclo medio a partir del anlisis BIS es consistente
mcluso cuando la serie presentan ciclos inmersos en otros ciclos de periodo
mayor. En este caso la grfica log (R/S)~ presentar una ruptura en cada
periodo del ciclo para seguir creciendo hasta que alcance el periodo del ciclo de
periodo mayor.
(4.78)
pv~
mr
~ Sobre las propiedades de escalado del rango en procesos de Weiner bajo la hiptesis
nula vase Hamilton (1994, 479482).
38 En general cuando intentemos utilizar este estadstico para Ja deteccin de memoria
a largo plazo usandoseries temporales econmicas habr que tener en cuenta que cuando las
series son muy cortas se tender a aceptar la Ho. En general la muestra necesaria ser del mr
orden de 4/(11-E(II),Y
mr
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES<fl 4 - 53
Log(R~S) H=0.7 y,
H==0.S
1
P=100 PJoO
Log(p) )
Los valores que tome este estadstico a medida que aumenta p. estarn
vinculados, de nuevo, al valor estimado del exponente de Hurst. ya que:
Si H>O.5, (R/S)~ crecer a una tasa mayor que V~ y, por tanto, V,, aumentar
conp.
Si H<O.5, (R/S$ crecer a una tasa menor que~p por lo que y,, ser
decreciente.
mt
5. 7.
4.5- T2.3
4 T3.8
35 R/S 5-
EfBIS)
4.
2-
a.
2.5 e
2-
1- Ef~,l
1
0.5-
u el
0- 0-
e,
:. a
1- VP
trw)
3.
HW*r&t.
o.e-
2.
E BIS 1
0.51
2
0.4<H -vi
It r~j
mr
0.2,
1- BIS
10 30 50 70 90 mt
0.085-
0.09 ) 1 1
0.075~ 1 1
o.o,4 1 .
a
2 2.5 3 3.5 4 4.5 5 5.5 0.055 1. u
0.05 II
mcv> 0-045
0.04 ___ - ____
940 950 950 90 980 990 1000
e
Figura 4.40. Anlisis RIS: aplicacin logistica p=13.56
e
CAPITULO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALE5(I>
4 - 55
S.S -
A 10-
5. 5-
R/s
4.5
3.5 <2~
tER/Sl
2.5
1.5- Ef Vv1
0.5 , 0-
10 1010 1.510 2010 2510 3010 3510
2 2 4 5 e .510
ir (p> cF)
101/8)
o.
o.,
-
2.1 0.1~ - - .-
LO 210 410 610 610 00 1310 1410
pl
-~ --
LS
II I~Iyyit.Jv:idvl..~~...,.,Y
- 0.38 . , . -
lO 60 no ev ala no no 160 410
11 08>
o AS
o JI
Ofl
0.13
0.22
- 2.1 J.3 4.3 3.2 8.3 00 00 000 1~O
1~ 08>
T.24.2
e. BIS - 12-
u
TIS.3
5- T7.9Tm9.9
E IR/SI
e
4 -r~
t
h~3
6
1 mt
2 4 - A
1- 2
o -- -
AL 0----
u.
e
5L - --- -
e.
3-5.
5? Mineras. T7.6
a
3.
4.5,
BIS 2.5-
- a fr 2 a
~ ~,
2.5 21W/SI I;4~4~L EETJP)
mr
1.5 ,
0-5
mr
2 3 4 5 6 7 9 10 510 1010 1510 2010 2510 3010 3510
la Ip> IP>
a.
CAPITuLO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALESO> 4 - 57
5 1.6- -
4.5-
1.5 0
4.
u
t
i
.2.5
2-
A-
A rfa/sl LS-
ZtVpI
maroma :
.1.5-
1-
II
0.5
O -- 0.8-- - - -
4
Figura 4. 45. Anlisis RIS. ecuacin logisitca p
Es por ello, que el anlisis R/S puede utilizarse para rechazar la hiptesis
de ruido blanco y a partir de ah, continuar con el anlisis de la serie con el fin
de comprobar si la estructura temporal es catica o si por el contrario debe
considerarse como puramente aleatoria no-lineal. Precisamente a esta tarea
dedicaremos el siguiente capitulo.
4.6 1.5
4- SIR/Sl 1.2
3.5 1. EEVJ
3- -1
2: A0
o[ -~
1.5
a- O.6
0.5 0.5
2 3 4 3 6
9 9 10 1010 .8010 5010 4010
ir (p) OF>
3.2-- -- - - - 0.8
3.. 0.75
3. 7
07
~~a. e
o 5
5.,
Ix,
05
0 45
7.6 7.8 8 82 8.4 8.6 2000 2500 1000 5500 4000 4300 5000
(pi
1.6
-4
a
> 1.5- VP
S- 4 A
rfa/SI .4,
~,1
II
~Uy U pl
-> -< 8 ti
ti
tas
Ef VrI
- a- mr
1.?
1.5-~
0.9>
mr
1--- --- - - - 0.8
2.3 3.3 4.3 5.3 $3 10 210 410 610 810 1010
131(P) Ip>
a
Maekey-
Logstica 0.2933 - 13 12.94
3.56 0.0102 -1070.16 Glass
P At=
N=2000, N=4901, At=l a
RUIDO
Toro 0.8481 2040.98 Lorenz 0.5650 6.00
N~OOO,M=Ol
N=4000. At=I
e
GARCH
Lorenz (Caos) 0.8 126 2002.15 0.56 17 33.31
N=7000. Ar~O.OI mr
N=2000, r=I
Meda Mv]
Rsler (Caos) 0. 1045 -2954.4 No lineal, 0.6510 211.094
N~7OOO. AtO. 1 N=2000 At=I u,
ARMA
Logstica x=4 0.573 8 510.71 0.8486 607.14
N=lOOOO. At=I e
N=2000, tl
VP
CAPPTLJLO 4. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALESU> 4 - 59
e 8--
7-
a
R./S e.
4
5- .1 -
trW/sl
.6
3 hiIi 3- /
1 IiILi Ef Vp)
o- - - - - 4
a 4 o ----
CAPITULO 5
LA DETECCIN DEL CAOS DETERMINISTA
A PARTIR DE SERIES TEMPORALES (II):
LA RECONSTRUCCIN DEL ATRACTOR Y
LAS MEDIDAS INVARIANTES DEL CAOS.
a
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <IV) 5-3
informacin vlida para la reconstruccin del atractor. tambin nos da una idea
aproximada de cual es la verdadera dimensin del sistema dinmico grados de
libertad que genera la serie temporal observada.
y,zh(x,) (3)
3, 3, 3, >r ) e
(YN-fl
1 Yx-,w,z - YV-m-2t Y,V
entonces podemos usar la serie temporal para aproximar la rbita del sistema
desconocido en el espacio de fases ii-dimensional utilizando los retardos de la
serie para construir la rbita (5) que generar un conjunto en el espacio de
inmersin ni-dimensional que ser topolgicamente equivalente al atractor
original y por tanto con sus mismas caracteristcas cualitativas. e
e
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <IV) 5-5
243>figuras 1-6--.
e
e
1 r=1
qn
r100
.4
e
C..
Figura 1. Reconstmccin del atractor catico de Rssler, proyecciones soby~ el plano para varios retardos
dcx, (AHO.l).
a
CAPITuLO 3. ELEMENTOS DE LA MATEMATICA DEL CAOS (LV) 5-7
q4X:
T10
SC
.012. r1000
pr=20 j r=zSO r=.{OO
0.
4
.q, 4:
, .q4,, ~4240q4. 402 4444.
Figura 2 Reconstruccin dej atractor catico de Lorenz, proyecciones sobre e! plano para varios retardos de
4.rl
-r=2 ~2
~2/
t 14 4
2 ~0. 0040.
K
4.20
00 0062 0010 0044
014 0600 0004 003] 41442
rS T~ 10
r7
~ E
4032J . 4 [.7\~j 4; >l~~ ~J - 31 ~ >flu 4 -y
4 44 ~
~>q dc
$4 ~
,& .; t 410 4 y o.
4. [ .
Figura 3 Reconstruccin del atractor catico de Henon, proyecciones sobre el plano para varios retardos de
x,(Afrl)
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAQSJIV) 5-e
*
44
4 4401. 4909
14
a
{T32:.50
Figura 4 Reconstruccin del atractor toroida! (2-25), proyecciones sobre el plano para varios retardos de x
(Aho.Oi)
v=J
e
304.;
qq 00.;
4.32 qq42
Figura 5 Reconstruccin de un ciclo limite (modelo de Rssler periodo 8), proyecciones sobre el plano para e
varios retardos (Afro 1)
a
CAPITULO 1 ELEMENTOS DE LA MATEMTICA DEL CAOS <ivi 5- 9
rl r=2 r10
o~
04 40 4 440 4444
r :0 r=I00 r1000
E gura 6 Re on truccion de un paseo aleatoriolltl N(O,1), proyecciones sobre el plano para varios retardos
(AI=l)
Por otra parte, el retardo r tampoco deber ser muy grande, ya que entonces
> e y1,~estarn muy alejados en el tiempo y si el sistema dinmico es catico y
presenta dependencia sensitiva respecto a las condiciones iniciales, no podr
detectarse la correlacin o dependenciadinmicaentre ambos valores. Es decir,
no se podr asegurar que ambos valores estn conectados en el tiempo por el
sistema dinmico (1-2). En este caso, si e] sistema es catico, la figura
geomtrica dibujada porla reconstruccin del atractor tendra confundirse con
la correspondiente a un proceso puramente estocstico incorrelacionado en el
tiempo la dependencia respectoa las condiciones inicialeshar que los posibles
errores de medida tiendan a crecer en el tiempo hasta que las observaciones y,
e >~ r estn totalmente incorrelacionadas en sentido estadstico.
e
fas A tractor de Lorenz Atractor de J?ssler
n~. 44352=
35233 e
r=14/15
441440
024% -34447 e,
-0.1444 - _____________________________________________________
42 446 2402 2423 450 4 209293534 =2
Figura 7. Eleccin del retardo ptimo para la reconstruccin del atractor catico de Rssler y e! de Lorenz
por el primer cero de la funcin de autocorrelacin simple. a
e
5-11
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (IV)
est trucado de forma que la probabilidad de que salga un uno es de 5/6. Bajo
estos supuestos adicionales, es tambin claro, que ahora se tiene mayor
incertidumbre sobre el primer sistema que sobre el segundo, asi que cualquier
medida de incertidumbre debe tener en cuenta no slo el nmero de estados del
sistema sino tambin sus correspondientes probabilidades a priori de ocumr.
1
i=o~4 P(H/z) <log,jjP(H/z)] lo g~ljP(H,)] (7)
31 u e
H(x)rE(hsz~ I.pr..5jp.logj, (9)
O=H(x)=logn (lo)
e
En el caso de que el sistema pueda tomar un conjunto infinito de posibles
estados con la misma probabilidad, la entropa mxima ser infinita5
e
Ntese que en el caso lmite en el que el sistema pueda tomar un conjunto infinito de
posibles estados con la misma probabilidad. la entropa mxima ser infinita
Cuando estamos ante sistemas compuestos o bidimensionaLes.en los que el estado del
sistema queda definido por el valor que tomen dos variables aleatorias (x,y) : x (rl n); a
y, <pi ni), la entropa o informacin media del sistema compuesto se define como;
75 75
a
CAPITULO 3. ELEMENTOS DE LA MATEMATICA DEL CAOS (IV) 5- 13
3
p(y~y,
I\ p,)pb,+~) (12)
S.S.
1.1
3 I9~L
4.5
~
3.5
9?~s -
2.5
1 4 10 15 20 25 30 34 41 43 50
t
6
5.5-
5-
~.s. -9427
3- -
-2.3 iatc
3.5-
)
a
Y -14..
0034! a
~< a
~ 4 4%
11.044
a-
45 50 G,-
t 1r~A
a
4-5
9~
4 3~ 5
e
-.5
13
-.5-
e
5 50 =10 ~v00 350 00-2 452 040
6 -. e
~- y..~42 1
9.- e
4 O a49
O 205 II 30 44 50 60 00 60 90 100 e
a
O ) -1
4.
4> - -. - -- -2 e
2 ...- ----4 -
2 .--- -- ---
0 100 201 302 402 S00 460 =30 600 400 1000
a
CAPITULO 3. ELEMENTOS DE LA MATEMAIlCA DEI. CAOS <IV) 5 - 15
~tmu=10
7617
5
12 20 33 40 30 6 0
-r a~
64.
5.3 -5842
~.4 4.5.
- 12571
35 .22571 -5942 0~ 7SIZ 54345
a
6 rl
PS
4
0754.
0 1 10 15 20 21
1: 0675.
10 a
9,
O 0484
0348
3- 1348 0484 0615 0154
0 5 10 55 20 25 36 35 44 45 54
Figura 12. Informacin mutua media aplicacin logstica M=3236 ciclo lmite periodo 8
CAPITULO 3. ELEMENTOS DE LA MATEMATICA DEL CAOS (IV) 5- 16
es
6 a
rnIal
e
I~6 9314
1 <4>~N .tzzl
a 4
. .... .~ ~ 07431 - a
11 rs , O
Y
O 315
a
P
4.- a
3 0
0-25 05 049 O9~
a
0 10 <. 31 4,2 Y Sl 012 001 61 900 012
a
4. a t mIL =7?
1,2 72
4
- 4 a-
31632
. -. a--.
a
Y
.0 C~
4
ej
6,
6846
9.4
4. 4
3,
e
12m
O ..
4102030405506070 60 90 136
t a
Figura 14. Informacin muta media Atractor de Henon.
a-
CAPITuLO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS <IV) 5 - 17
3.5
Camino Aleatorio
9.4 ~6
ProcesoARMA(2.i)
r
15
0 1 20 =5 30 35 40 44. 52
5 60 4 534.3445 54
3 a
aa -
Figura 15. Informacin mutua media de procesosestocsticos: camino aleatorio, GARCH. ARMA(2. 1). y
catico determinista.
a
Tras la eleccin del retardo ptimo. el siguiente paso en la reconstruccin
del atractor a partirde la serie temporal observada consiste en la eleccin de la
dimensin de inmersin apropiada.
(y, ~ ~ ,y,,
3~ (mI (13) e
Para que la reconstruccin de un atractor por el mtodo de los retardos
conserve las propiedades del sistema dinmico generador de la serie temporal, a
el teorema de inmersin Takens exige que, adems de que la serie se obtenga
una vez que el proceso dinmico subyacente se encuentre ya en el atractor, que
tanto las funciones estructurales que definen el sistema dinmico como la e
funcin que transforma el espacio de estados en la serie temporal escalar sean
suaves. Este ltimo es el principal ingrediente del teorema de Takens, ya que
aunque en l se exige adicionalmente que la dimensin euclideade inmersin ni a
en la que se reconstruir el espacio de fases sea superior al doble de la
dimensin fractal del atractor original m>2D, esta condicin es en realidad
,
6 Obsrvese que el vector y, no tiene que tener la misma dimensin que el vector de
estados original x,. a
e-
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (IV) 5 - 19
Este mtodo tiene una serie de ventajas frente al que analizamos a continuacin en el
texto, como la de reducir el efecto de mido, especialmente de ruido blanco, superpuesto a una
serie catica. Sin embargo, presenta como principal inconveniente el hecho de que hay que
decidir de manera subjetiva el tamafio de los autovalores que se considere adecuado, y es
precisamente aqu donde este mtodo suele fallar cuando se trata de distinguir entre series
caticas y mido puramente aleatorio. Vase Kugiumtzis; Lillekjendlie y Christophersen
(1994, p.5).
ti
la recta real. Ello supondr que en la seal escalar existirn puntos falsamente
prximos que se habrn acercado no por la propia dinmicadel sistema sino por
su proyeccin hacia el correspondiente escalar. a
e
CAPITULO 3. ELEMENTOS DE LA MATEMTICA DEL CAOS (IV) 5 -21
Verdaderos Vecinos
4
za.
e
e
Falsos Vecinos
Verdaderos Vecinos
u
denominaremos al vector d-dimensional ms cercano a ste como ~$ donde
la proximidad no se medir en relacin al tiempo sino por la distancia espacial
entre ambos puntos:
Para establecer si los dos puntos prximos>, ey,NA son verdaderos vecinos
o no. deberemos comparar la distancia entre ellos en la dimensin d con la
distancia entre los mismos vectores en dimensin d+1. Es decir, necesitamos
saber cuando el vecino ms cercano y,NN en una dimensin ci, est cerca o lejos e
cuando pasamos a la dimensin d+ 1.
u.
CArnTULO 3. ELEMENTOS DE LA MATEMTICA DEI. CAOS (IVI 5 -23
2
Y,+d. Ytdt~
___________
Lt+d. Y,~de-
A (18)
Rd. ~(j)2 RJ0
RJt)2 RJt)
As, cuando esta cantidad (18) sea muy grande podremos concluir que los
puntos que eran prximos en dimensin d habrn dejado de ser prximos o
vecinos en la dimensin d+ 1, y que portanto, pueden considerarse como falsos
vecinos o falsos prximos en la dimensin cl. Abarbanel (1996, p.4 1) propone
utilizar como referencia el valor de 15, es decir, si la expresin (18) toma un
valor superior a 15, entonces los puntos considerados sern falsos vecinos en
la dimensin d.
ti
dr e
(19)
toma un valor por encima algn nmero de orden 2. entonces diremos que los o
puntos prximos en d son falsos vecinos. R4 es el radio nominal del atractor
definido como la raz media cuadrtica de todos los datos respecto a la media:
e
RqZ=It [vH
N,~
iTtiy
N
e
Si consideramos ahora la rbita completa y teniendo en cuenta ambos
criterios, podemos ir observando como vara el nmero total de falsos vecinos
(o su porcentaje) a medida que se van considerando dimensiones de inmersin e
mayores. En principio, habr que esperar que. a medida que se va aumentando
la dimensin del espacio reconstruido, el nmero de falsos vecinos vaya
disminuyendo por el cada vez mayor despliegue de la seal, Cuando se e
alcanza una dimensin de inmersin en la que ya no se observan ms
despliegues de la rbita, es decir, en la que ya no es posible revelar la existencia
de ms puntos falsamente vecinos, podremos asegurar que se ha eliminado
cualquier solapamiento producido por la proyeccin del vector de variables de
estado en la seal escalar de la que parte el anlisis, y que hemos reconstruido
la verdadera rbita del sistema subyacente. Habremos encontrado la ni para la u.
cual todos los puntos prximos en el atractor estn prximos por la propia
dinmicadel sistema. Se ha alcanzado la dimensin ptima, y no ser necesario
aumentar ms la dimensin de inmersin, porque con ello no conseguiramos
aadir o mejorar la informacin sobre la dinmica del sistema original.
a
Esta tcnica de los falsos vecinos, podra permitir distinguir cuando estamos
ante una seal de origen puramente aleatorioo cuando la dinmicadel sistema
es explosiva, ya que en estos casos nunca se anular por completo el e-
porcentaje de falsos vecinos. Recordemos que en los procesos estocstcos la
dimensin dinmica o grados de libertad activostiende a infinito siemprellenan
todo el espacio de fases a medida que va aumentando la dimensin de
inmersin por lo que nunca se podr reconstruir ningunani-historia en la que
se refleje la verdadera dinmicadel sistema (Lorenz 206).En trminos de falsos
vecinos la aleatoriedad se traduce en que nunca alcanzaremos una dimensin a
de inmersin que despliegue totelmente el atractor original
e
CAPITULO 5 TCNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA <II) 5-
7 0%
50% 0
9 0%
0% ,esno- O
e-
10 0%
40% Cteo) nt OitaioJy2
30%
20%
0% -
~ .4 -.4 4- 4 -. 4
0 1 2 3 4 .5 6 7 8 9 10
m
Figura 17
-- - nro.
10%- m %F ~ Afrado,deLorenz(vaabIey> 3~FV
00%
Aaao,CeficodeRassler
<var-ablcx)
0
1
100%
4229% ,~
0
1
100%
10%
2 0.010% 2 0.0187%
~3 0.001% ~ 3 0.0002!
t 10% .4 Q% t 58%
0 40%- 5 0% U4 48% 4 0%
0%,
~ 30% LViin,~ t=14 ~ CtrioJ r=16
00% -
0%- O --O - O -. 8% - ----O -. ---41 -41
1 2 3 4 5 # .5 .~ j O 5
10 10
100%O - -- in%
~ Toro~v.riaNex) m0 %FV adoumfte(meddodeRassefl - oo. 1
100%
1 3.57! ~ (vaablex) 1 3.577!<
- - 70,4.
2 0.11! ~
~ 40% 2 0.00141
3 al .~ 3 0%
4 0% ., 4 0%
~ 40% ~4% 5 0%
E. 5 _ 0% o,
C$4fl15 y42 ~, 30%. Ct~~I i=)0I
20% - 20,4
10% 80%
0% - . ~ 0 0% - -O
o 1 2 3 4 5 0 8 2 3 4 5
nl 10
Figura 18
II) El algoritmo utilizado difiere del anterior en que el porcentaje de falsos vecinos se ha
calculado sobre el total de posibles vecinos y n slo sobre los vecinos ms prximos. Con
ello, aunque el porcentaje puede variar respecto a otros mtodos, la evolucin que sigue el
total de falsos vecinos y su porcentaje es la misma.
CA9ITULO 5. TCNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA (II) 5 - 26
e
JU4 ero.
0r~ en n~ Proceso GARCII
88% 4licacMn Iogdca(p=4) 01 100%
0%
o
1
~
4.243931
78% t
-t es 2
3
04
0% ~-
t
2
3
0.225986!
0.012588% ej
4 0% ~ 38%- 4 0.OOOfl9t
t 48% 5 0% 5 0.000025%
u, 6 0.000000
1~~ 8 0%
- >8% - Cinoel rl u
2 3 4 8- -O - -. -41
8 5 2 5 4 o -
- - 14640 -
a
- Atradordeflenon >~ %FV ~ rroceso~arugz) 10 %FV
.8 ~ 0 100% ~ 0 1008
(vanabfrx) 12 0.914% ,.~-
40% 1 1.042*
0% ~ 2 0.054*
sas .3 0* ~ o.,~- 3 0.003*
4 0! 4 0.001% a
E. 10.
~30% 5 0% ~n .5 0%
20% - CiMo~ 20% CsMo
504 01% -
Figura 19 U 2 OIt - 3 4 - ~ 5 8 8 1 10 - O
4 - 0
5 e-
e
introduccin del segundo criterio puede hacer que en la construccin de
atractores a partir de series perfectamente deterministas no se anule por
completo el porcentaje de falsos vecinos, Es por ello, que este segundo criterio e
ha sido ampliamentecriticado proponindose otros alternativosen los que, por
ejemplo, se tenga en cuenta en el propio umbral la dimension de inmersin que
se est utilizando (Reiss. 3., 1999). A pesar de ello, nuestras propias u
e
CAPITULO 5-TCNICAS PARA LA DEYECCION DEL CAOS DETERMINISTA (II) 5 -27
dependan de una manera crucial de la serie temporal concreta sobre las que se
aplique. esdecir, que los resultados del anlisis no difieran en funcin de la sefial
utilizada, seal que se puede considerar como una realizacin concreta
solucin panicular del sistema subyacente sobre el que se desea cuantificar e-
estadstcamente alguna de sus caractersticas o propiedades. Este segundo
punto queda garantizado cuando se utiliza la hiptesis de ergodicidad. tema
a
sobre el que nos detendremos, aunque sea brevemente, en el presente apartado.
La teora ergdica estudia las transformaciones que preservan la medida del
e
espacio, en nuestro caso medidas invariantes del atractor descrito por un
sistema dinmico en el espacio de fases bajo la accin del tiempo11.
e-
Comencemos representando porf X->Xla accin de un sistema dinmico
definido en tiempo continuo (teiR) o en tiempo discreto (teN) con t=Oy tal que
f0=identidad yf 2r=f of2 (Ruelle 1992, p. 35). Podemos interpretar 1
ser una clasede Borel o completamente aditiva si:eo,XeM; A EM implica ACSM; y, UA,eM,
e
A,eM. A, cA, i#j. Entonces una medida de probabilidad ii(A), AcM, sobre un espacio
=~s, ViJ,
(X,M) con estructura de clase de Horel, ser una flincin real completamente aditiva, no
negativa y normalizada, esto es: 4 UAIJ tE ii(A)). AcM ,A, t{e, Vij, i*j; 4A)=O,VAcM a
~ Tdt5 (21)
u(9>VP2iLT9(~o>d (22)
(23)
donde ji1 y ji., son a su vez sendas medidas invariantes de probabilidad y ji~
fw(x?dWx) (25) 5
1 st
e
CAPITULO 5. TCNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA (II) 5- 31
El hecho de que estas dos medidas sean ergdicas implica que son
independientes de la condicin inicial de la rbita y del sistema de coordenadas
desde el que se observe el atractor (en realidad son invariantes ante otros
cambios pero estos son los que nos interesan), de forma que podremos evaluar
esta dos medidas en el espacio de fases reconstruido a partir de una serie
temporal concreta, permitindonos as detectar, posibles comportamientos de
dinmica compleja en el sistema desconocido generador de la serie. Como se
recordar, los atractores extraos o caticos son objetos fractales figuras
geomtricas cuya dimensin fractal o de Hausdorff es estrictamente superior a
su dimensin topolgica, por lo tanto, si en la estimacin de la dimensin
fractal del atractor se obtiene un valor no entero, podremos asegurar que el
sistema dinmico es catico. Por otra parte. siempre que el sistema sea
disipativo y por tanto est garantizada su convergencia a un atractor, la
presencia de algn exponente de Lyapunov positivo ser indicativo de que se
encuentra en rgimen de comportamiento catico. Cuando la definicin de los
comportamientos caticos se apoyan estas y otras medidas invariantes del caos
la dimensin fractal, entropa de Kolmogorov los exponentes de Lyaptmov.
,
7Estos exponentes de Lyapunov hieros introducidos ya en el apartado 3.1, porlo que nos
remitimos a lo all expuesto centrndonos ahora en los mtodos de estimacin de los
exponentes a partir de una serie temporal observada.
CAPITULO & TSCNICAS PARA LA DETECCION DEL CAOS DETERMINISTA <U) 5 - 32
u:
u-
4
u-
4
a
Figura 20
e-
distingue a los sistemas dinmicos con comportamiento catico acotado.
Formalmente, los exponentes de Lyapunov de un sistema dinmico con n
variables de estado se definen formalmente como (apartardo 3.1): a
1 ~ X~x0)rlim iIn{IDfNxj=
VAfr)tO, rl n (27> a
e
ISDe hecho aplicando el teorema ergdico es posible calcular el exponente de Lyapunov
haciendo uso de su expresin para la media espacial alternativa. As por ejemplo para la
aplicacin logstica x,.rrr,O~x) se tendra que: e
siendo dp(xy-jgx)dx la funcin de densidad asociada a lamedida invariante ~x) 1 /Qr (x (1- u,
x))~) (Brock, 986, p.l 72). Sustituyendo ahora para r~-4 se tendria que
Xrflnf(x)Idgx)zf ~ dv=1n2
st
CAPITULO 5-TCNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA (II)
5 - 33
T r0
, (28)
y en el limite:
Sn In fi =1,2 (29)
T-~ T r0
que sern los exponentes de Lyapunov. esto es, una media temporal de la tasa
de crecimiento o decrecimeitno del area en cada una de las dos direcciones del
espacio de fases. En general, existirn tantos exponentes como grados de
libertad o dimensin euclidea tenga el espacio de fases, denominndose al
conjunto de esponentes como el espectro de Lyapunov del sistema dinamico.
st
Estimacin directa del mximo exponente de Lyapunov: El
mtodo de Walt et al. (1985)
u
Los denominados mtodos directos para la estimacinde los exponentesde
Lyapunov tratan de calcular directamente, a partir de la reconstruccin del
atractor porel mtodo de los retardos, la divergencia que se produce entre dos
puntos inicialmente prximos en el espacio de fases a medida que transcurre el
tiempo.
st
a
CAPITULO 5 TECNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA <II) 5- 35
e
L(t~)
Figura 21
a
orbital. La distancia entre estos dos puntos L(t9, deber ser lo suficientemente
pequea como para que su expansin refleje el efecto del exponente de
Lyapunov dominante. A partir de aqu, se trata de ir reconiendo la rbita Yo O
y,,..yJ4fl analizando como se expande el vector definido entre cada uno de esos
puntos y los correspondientes x<,, x1,. s~,. As, en una primera iteracin la
longitud inicial del vector L(t) habr evolucionado, tras un periodo de tiempo st
periodo de evolucinhasta una nueva longitud L (4). La eleccindel periodo
de evolucin dr~rt ,~t0 debe hacerse considerando que ste sea lo suficientemente e
pequeo como para que en la expansin de la longitud del vectorslo se refleje
la estructura del atractor a pequea escala, es decir, para que slo se revele el
efecto del exponente de Lyapunov dominante. Si el periodo de evolucin es e
demasiado grande o demasiado pequeo podremos estar sesgando la estimacin
20. La eleccin del periodo de evolucin es, por su a,
del exponente de Lyapunov
arbitrariedad y por sus efectos significativos sobre los resultados finales de la
estimacin, uno de los elementos ms criticados de este algoritmo una
recomendacin generalizada, aunque sin fundamentacin terica, para la e-
eleccin del periodo de evolucin es que ste sea dos o tres veces inferior al
periodo medio de la rbita reconstruida (Peters, 1991).
e
1 98
1 48
09S
O 49
Figura 22. Estimacin del exponente de Lyapunov de la aplicacin logstica x,, ,=4x/I-x,) por el mtodo
de Wolf (base Iog,, periodo de evolucin= 1. scalmin0.0 1. sclamaxO. 1, m 1, t1. N2000). El exponente
converge al verdadero valor X#n2 (X~1 en base log2)
1 Eln~k~ (30)
tMtok4 L(tkl)
donde Mes el nmero total de pasos, con posible renonnalizacin, que coincide
con T/dt si el periodo de evolucin dt=tk1-tk es fijo.
CAPTULoS. TCNICAS PARA LA DETECCION DEL CAOS DETERMINISTA <lO 5 - 38
0.9
0.8
0?
0.6
0-5
0.4 e-
0.3
0.2
0.1
O
o o o o o o
<O o o o o
O
o o o o o o o o o
04 Cfl ~ LO E-. <O O~ 04 Cfl ~ it> <O E <O
Figura 23 Estimacin del exponente de Lyapunov del atractor de Henon (modelo 3.19, h=O.3, a=l.4) por e-
el mtodo de Wolf (periodo de evolucin 1. scalminO.0035, sclamaxO.3, m2, r1. N2000). El
exponente converge al verdadero valor XO.6 en base log,)
exponente de Lyapunov por este mtodo puede utilizarse para deteccin del
caos sin necesidad de estimar el espectro completo de Lyapunov. A modo
ilustrativo presentamos en las figuras 22 a25 el exponente dominante estimado a
con series temporales obtenidas a partir de modelos conocidos. En todos estos
casos se observa que el exponente estimado converge a su verdadero valor.
st
Por otra parte, cuando slo se disponen de sedes cortas y contaminadas por
algn tipo de ruido puramente aleatorio por ejemplo, porla adicin de errores a,
de medida, entonces los resultados del mtodo deben tomarse con cierta
cautela. La presencia de mido en la series es la principal limitacin a la que se
enfrenta este mtodo ya que ste sesgaal alza la estimacin del exponente. Esta a,
sobre estimacin del verdadero valor del exponente se debe a que en general,
la expansin de la distancia del vector se ver incrementada porel efecto de la
perturbacin aleatoria y debido a que el mtodo de WoIf parte del supuesto de a,
que existe un exponente positivo, entonces los efectos de la perturbacin se
atribuirn al exponente dominante. Como resultado se obtendrn exponentes
positivos incluso en sistemas de dinmica simple siempre que las series se
encuentren perturbadas por ruidos puramente aleatorios. A modo ilustrativo
mostramos en la figura 26 el exponente estimado para un proceso puramente
estocstico que de forma errnea resulta ser positivo. e-
e,
CAPITULO 5. TCNICAS PARA LA DETECCION DEL CAOS DETERMINISTA (II) 5 . 39
3 04
2 28
1.52
OiR
Figura 24, Estimacin del exponente de Lvapunov del atractor extrao de Loreuz (modelo 3.17. a= lO.
h=8/3. r=28) por el mtodo de Wolf (periodo de evolucin= 1. scalmin=O.00035. sclamax3.5. nr3. rl.
N4000. periodo de muestreo A11). El exponente converge al verdadero valor X=J.3 en base log~
0.35
0.28
0.17 2
0,06
Figura 25.Estimacin del exponente de Lyapunov del atractor extrao de Rssler (modelo 3.18, a=0.2.
b=O.2. c5.7) por el mtodo de Wolf (periodo de evolucin= 1, scalndn=O.0002, sclamax=2.05, m3, rl.
N4000. periodo de muestreo Ai= 1). El exponente converge al verdadero valor X=O. 09 en base log2
CAPTULOS. TCNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA <II) 5 . 40
0 46
0.34
u
0.23
u
Figura 26. Exponente de Lvapunov positivo estimado parn un proceso estocstico del tipo camino aleatorio
a
gausiano por el mtodo de Wolf.
?.(x l.Snvxl
0)=lim 1 1rj\Xj , =1 n (3]) e
T--~ 0
a
CAPITULO 5. TEGNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA (II) 5 -41
Y! = FZ~~) (32)
Y! mr)
Y1 -r
y -t
(33)
-Vr Yt-<m-j>r
.1 it /ni-ls
o lo o
DF= o o O
O 00... 1
con f=. l. z. 2z. ir. ..., (m-1)z.
CAPITULO 6. TCNICAS PARA LA DETECCIN DEL CAOS DETERMINISTA <LIX 5 -42
u
e
donde { ej es un porceso estocstico de variables aleatoriasindependientes con
media cero y varianza constante. A continuacin repasamos, sin nimo de
exhaustividad,los elementos esenciales de estos modelos de redes neuronales23 e-
Los elementos bsicos de los modelos de redes neuronales son tres: los
nados o unidades bsicas de la red capaces de recibir y procesar informacin; U.
e
CAPITULO 5. TCNICAS PARA LA DETECCION DEL CAOS DETERMINISTA <II) 5.43
Entradas
y
5<,
y. y
24 } Capa Input
Ponderaciones
4A.>~ -i
3>
-
Capa Oculta
Ponderaciones
}
-
Y <Sapa
Salida
y
Figura 27. Red neuronal Artificial del tipo Feedforward con tres nodos en la capa input una nica capa
oculta con dos nodos y un nodo en la capa output
Una red neuronal artificial consta de tres capas de nados entre los que fluye
informacin: una capa input, una capa oculta y una capa output4. Cuando la
informacin fluye desde los nados inputs a los ocultos y posteriormente a los
nodos outputs la red se denomina del tipo feed/orwarcf Cuando la informacin
revierte desde los nodos output a los input entonces la red se dice recurrente.
Las aplicaciones que utilizaremos para estimar los exponentes de Lyapunov son
del tipo feedforward por lo que nos limitaremos aqu a exponer los elementos
esenciales de estas 25 En estas redes la capa input se limita a recibir e introducir
en la red la informacin, la capa oculta transforma, a travs del uso de
funciones no-lineales, la informacin o las seales recibidas desde la capa mnput
en otras seales, que a su vez son recibidas por la capa output donde se genera
la seal final que sale de la serie figura 27.
24 En
realidad, en una red neurona] artificial pueden a parecer ms de una capa oculta.
Sin embargo, en la prctica, la mayoria de modelos se limitan a una nica capa oculta de
nodos. ya que si en esta hay un nmero suficientemente elevado de aedos, la capacidad de la
red para detectar y aproximar cualquier funcin arbitraria esequivalente a la de otra red can
ms de una capa oculta (Manso, 1999, p. 344).
Para una introduccin a las redes neuronales recurrentes vase Jungeilges (1996) y
25
4Y() (36)
1 --~ -~ a
x~)
x~) (38)
consiste en tratar a las variables dependientes xi (i1, ...p) como las seales
procedentes de la capa input de la red, y las variables ys (s=l,...p) como las e
seales de salida de las q unidades de la capa output, y entonces tratar de
estimar o encontrar cual es el conjunto de ponderaciones y nmero de nados de
la capa oculta necesarios para que las seales de la capa autput de la red sean u
e
5-46
CAPITULo 5. TCNICAS PARA LA DETECCIN Da CAOS DETERMNISTAJiII)
2t,...y,-mt) +
Ntese que en este caso la red neuronal a utilizar tendr un nico nodo en
la capa de salida, mientras que el nmero de inputs o variables independientes
del modelo estar determinado por la dimensin de inmersin m Si suponemos .
donde se evidencia que el valor dey, es una fi.incin no-lineal de sus valores
retardados. Los algoritmos de aprendizaje que utilizamos en nuestras
aplicaciones para estimar las ponderaciones de la red (40) tienen como objetivo
la mininiizacin del error cuadrtico medio cometido porla red mediante algn
algoritmo recurrente de minimizacin no lineal (vase Kuan y Liu 1995, y Elner
eta]. 1992):
1,, \ 2
1 Ir 1
~ q ttI kW w,JyI..,tj1/ 1 (41)
siendo 2,,, el tamao de la rbita reconstruida por el mtodo de los retardos y
q el nmero total de parmetros o ponderaciones a estimar en la red (40). Uno
de las elementas de mayor arbitrariedad a la hora de elegir la red ms adecuada
o que mejor recoja la dinmica determinista subyacente en la serie temporal es
la eleccin del nmero de nados ocultas k. Un nmero muy escaso de nados
ocultos puede hacer que la red sea incapaz de aproximar la verdadera
estructura determinista si presenta dinmica compleja, mientras que si es
demasiado elevado, la red realizar un sobre-ajuste de la serie recogiendo
bsicamente el error puramente aleatorio e, presente en la serie temporal.
CAPITULO 5. TCNICAS PARA LA DETECCION DEL CAOS DETERMINISTA (Hl 546
Tabla 5.1
Estimacin indirecta del exponente de Lyapunov Dominante. Programa LENNS
SERIE z ni k FER GIS ex nente
e
Legistica p=4 1 1 2 0.002 -6.14 (-2.09) 0.691
Henon 1 3 6 0.004 -5.19 <-6.62) 0.421
Rssler (Atl) 1 3 8 0.031 -2.93 (4.94) 0.098
Camino Aieatorio N(OA) 1 1 1 0.994 0.04 (-0.14) -4.883 (-en)
GARCH 1 1 1 0.997 0.05 (2.21) .6.351
ARI\4A(2.1) 1 1 1 0.259 -1.30 (2.69) 4)036
Tamao muestral: 500 datos: 1=-retardo para la reconstruccin; en: dimensin de inniersink: nznexn de nodos en la capa a
oculta: EER: Effor Estandar de la Regresin: CIS: Criterio de informacin de Shacwarz entre parntesis el CIS para la
serie original-: exponentes de Lyapunov en base Li. Atraetor de Rssler mnuestruado para Art
a
26111 critrio de informacin Havesiano es similar al de Akaike (qlnT~)/T~*1n~ 0/7,,,
y
5 . 47
CAPITULO 5. TCNICAS PARA LA DETECCION DEL CAOS DETERMINISTA (II)
Tabla 5.2.
Estimacin indirecta del espectro completo de exponentes de Lvapunov. Programa Netle
SERIE r ni A- EER GIS Espectro de exponentes
Logistica u=~ 1 1 5 4.8E-07 -14.34 (-2.09) 0.693
Henon 1 2 6 2.411-05 -10.34 (.0.62) 0.422 -1.634
.Rssler(t=l) 1 3 16 0.158 -0.84 (4.94) 0.092 4)003 -0.593
CaminoAleatorioN(O.1) 1 1 1 0.858 -0.10 (-0.14) -20 (-en)
GARCH 1 1 1 8.997 2.25 (2.21) -12.73 (-00)
ARM.A(2.1) 1 1 1 0.991 0.04 (2.69) -0.036
Tamao muesiral: 500 datos: r= retardopara la reconstmccin: nr: dimensin de inmersin:k: nmero de nodos en la capa
oculta: EER: Error Estandar de la Regresin: CtS: criterio dc infonnacin dc Shacwarz -entre parntesis el CtS para la
serie original--: exponentes de Lyapunov en base fn. Atraetor de Rdsslerniuestruado para AM.
Los valores estimados del espectro para las series caticas se aproxima alas
correspondientes valores verdaderos (para la logstica 21=0.693; el atractor de
Henon >1= 0.416, 22= -1.594 ; y el Rssler >1= 0.068, 2.2=0, X3 -5.218),
siendo para el atractor de Rssler para el que se obtiene una pero estimacion.
En las series no caticas se estima un exponente negativo, siendo capaz el
algoritmo de discriminar entre la serie ARMA (2,1), para la cual se detecta
estructura determinista, y las series puramente aleatorias donde el criterio de
informacin de Schawrz parece indicar la ausencia de estructura determinista.
Tabla 5.1
Exponentes de Lyaponov aplicacin logstica p4 e,
nr 1 2 3
21 0.693 0.691 0.693
22 -0.616 4.239 mt
AS 4.477
LER 4,8411-07 4.40E-07 478E-tYI
GIS -14.342 -14.3754 -14.3549 u,
k 5 5
EER:Error LasMida de la regresin:CIS: Criterio de infbrn,acin de Scha~,-z: kv nmero de unidades de la capa oculta
de la red: Tamao muestral de la serie 500 datos (Los exponentes de Lyapunov ti estn expresados en base lo)
e
itObsnese que como la derivada tiende a cero en esas dimensiones, su logaritmo debe a
Una vez que hemos presentado algunos de las mtodos para estimar los
exponentes de Lyapunov del sistema dinmico generador de una serie temporal,
en el presente apanado vamos a analizar la dimensin fractal, una segunda
medida invariante que tambin puede utilizarse para detectar comportamientos
caticos.
Recordemos que los atractores extraos son objetos fractales, esto es, se
caracterizan por poseer una dimensin fractal o de Hausdarff estrictamente
superior a su dimensin topolgica apanado 3.4. Es por ella que una posible
via para detectar comportamientos caticos es estimar la dimensin fractal del
atractor, en caso de que exista, al que converge la dinmica subyacente a la serie
temporal. Aunque el desconocimiento sobre el proceso dinmico hace que esta
dimensin fractal deba estimarse a partir del atractar reconstruido porel mtodo
de los retardos, el teorema de Takens garantiza que la dimensin asi calculada
coincidir con la correspondiente al atractor original ya que ambos sern
tapolgicamente equivalentes. As, cuando la dimensin estimada sea no entera,
entonces podremos decir que el atractor es un objeto fractal y, por consiguiente,
que el sistema subyacente presentar comportamiento catico determinista de
dinmica compleja.
el resultado del lanzannento Sin embargo. el imperfecto conocimiento que se tiene sobre
toda esta gran cantidad de grados dc libertad hace que la mejor aproximacin sea la e
puramente probabilstica, es decir, aquella que le asigna la misma probabilidad a todos los
resultados pasibles (Fernndez Diaz. 2000, p.5).
e
CAPITULO 5. LA DETECCION DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES (II) 5-51
La dimensin de correlacin mt
,fl
o alternativamente: a
siendo 7,,,
30,lay longitud de la serie
~0 la fUncin reconstruida con las m-historias I lila norma
Heaviside: ,
euclidea
e(x) 1
<~
1 si x>O
O six=0 (46)
C(r,m)r D <47)
D~ ~imc~nC<r,m) (48)
r-O dlnr
-,
r 4) j
11V larj1
CAPITULO 5. LA DETECCION DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES (ib 5-54
u
.39
E
~- -76
U
-11.7
-15.6
Ln(r)
Figura 28. Atractor de Lorenz. Ln(CQxm)) rs Ln(r>.
CAPTULOS. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES (II> ~-S6
F 12.01
ao
E
e,
:3 *
a
o
Ln(r) e
a
CAPITULO 5. LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES (II) 5-57
E. ~~~~0
1.6
14
o
12-
12 3 4 5 6 7 8 9 10 11 12 13 14 15
m
Fi2ura 30. Atractor de Lorenz. Dimensin de correlacin vs. Dimensin de inmersin calculadas por
minimos cuadrados y por la media de la variacin puntual en negro y rojo respectivamente.
La dimensin de informacin
uso de la teora de la informacin, para construir una medida del atractor dada
media o entropa asociada al atractar vendr dada por (vase apanado 5.2):
NQ-)
H(r) = ~ plnp
1 (S)
I~I
hm 11(r
(53)
rO ln(r)
CAPITULO ff LA DETECCIN DEL CAOS DETERMINISTA A PARTIR DE SERIES TEMPORALES (II)
5-58
D,= hm hm E(lnC1(r,m)
T r-.o ln(r) (54) a
Dimensin de Lyapunov
es
Una tercera definicin de dimensin fractal que puede utilizarse para
aproximar la dimensin de Hausdorff es aquella que hace uso de los
expoenentes de Lyapunov estimados para el atractor reconstruido por el
mtodo de los retardos. La dimensin de Lyapunov D1 se define a partir de los
exponentes de Lyapunov a partir de la conjetura de Kaplan-Yarke. Esta
conjetura parte de la relacin entre la dimensin fractal y la suma de exponentes
de Lyapunav cuya suma es mayor o igual que cero. As si definimos a la suma
de las primeros k exponentese de lyapunov ordenados de mayor a menor como
e
<vase Eckmann y Ruelle, 1985, p.641):
k
(57)
e
a
CAPITULO 5. LA DETECCION DEL CAOS DETERMINISTAA PARTIR DE SERIES TEMPORALES (Ifl 5 - 59
= =D~, = DL (59)
K= hm lini hm Y?
e
4Este horizonte temporal puede aplicarse a la prediccin por analogias dc los sistemas
caticos discutido en el capitulo 2. donde e puede tornarse como la distancia entre el estado
a partir del cual se realiza la prediccin y su vecino ms cercano, cuya evolucin temporal
detennina precisamente la prediccin para la evolucin futuray desconocida del sistema hasta a
el horizonte Tmax.
CAPTULO 6
DINAMICA ECONOMICA SIMPLE:
LIMITACIONES DEL ENFOQUE TRADICIONAL.
Por otra parte, los conceptos desarrollados en los das captulos anteriores,
nos permiten introducir la dinmica catica como el medio natural para
explicar de forma totalmente endgena la existencia de ciclos persistentes
inegulares y de escasa predicibilidad. En efecto, como ya se ha comentado, en
el enfoque tradicional surge la necesidad de introducir perturbaciones aleatorias
exgenas viene impuesta, a priori, por el tipo de herramientas y modelos
utilizados para estudiar los comportamientos complejos o irregulares de la
actividad econmica. Con la aparicin de la matemtica del caos aparecen
nuevos instrumentos distintos a la teora de la probabilidad para describir dicha
dinmica compleja.
CAPTULO 6 DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENPOOUE TRADICIONAL 6-2
Ello no implica. tampoco. que apostemos por una falsa creencia en que el
sistema econmico sea un sistema estructuralmente simple. Por el contrario, el mt
sistema econmico es complejo. esto es, con elevados grados de libertad
multitud de agentes interactuando e interaccionando entre s de manera auto- es
organizada, que resulta, en la prctica, imposible de estudiar si no es mediante
supuestos simplificadores o recurriendo a la teora de la probabilidad. Con
nuestro enfoque defendemos, nicamente, que la simplificacin necesaria para
profundizar en el comportamiento de la economa no implica necesariamente
soluciones de dinmicamente simples.
es
En segundo lugar, que la teora del caos o como reza el ttulo de esta tesis
la dinmica econmica compleja, no constituye en si una nueva doctrina de
pensamiento econmico a modo de alternativa totalmente alejada e es
e
Evolucin De la Renta per Capita
25000 .--...---.- u
200(R)
e
~e 5000
0
e
10000
e
5000
SI
O CO CI -t O rl D O ~ OC rl .0 0 .t CO rl .0 O ~ OC
o
o o
a Orlr;
a a a a a r-4nn,tn~>
a a a a a a a VN
a -t
a .0
a NO
a rl
a rl
a OC
a OC
a a a
a
Tiempo
es
Figura 6.1. Evolucin de la renta per cpita. Fuente: Maddison (1995, apndice O)
e
aumento. Otros pases como Taiwn, y de forma genrica, los conocidos como
los nuevos pases asiticos industrializados (Corea del Sur, Hong Kong,
Singapur y Taiwn), aun partiendo de situaciones de escaso desarrollo, han mt
Estos hechos estilizados se complementan con otros de los que slo vamos
a mencionar aqu su existencia. Nos referimos a los co-movimientos.
adelantados o retardados. de mayor o menor amplitud, entre la renta per cpita
y otros indicadores agregados representativos de una economa (empleo.
consumo, inversin, precios, tipos de inters, etc.) que en mayor o menor
medida se repiten en todos los pases y en muy diversas circunstancias-.
Sobre estas regularidades empricas vase Argandoa, Gmezy Mochn (1997, pp. 31-
33). Sobre la evolucin de las fluctuaciones ciclicas para el caso espaol vase Sebastin
(1997).
e
Una excepcin destacable fue la aportacin de Schumpeter(1976) al estudio integrador
del ciclo y el crecimiento econmico.
transformacin que mantenga las propiedades bsicas del modelo original (como el modelo
de Solow ). Otras veces, los modelos no lineales han sido estudiados haciendo uso de
aproximaciones lineales de los mismos para as facilitar su tratamiento matemtico. Estos e
modelos no lineales pueden considerarse, por tanto, como de esencialemnte lineales.
en cualquier caso. Este resultado se desprende del hecho de que los modelos
normalmente utilizados son lineales o linealizables y, como ya se ha
comentado, para que aparezcan otros tipos de equilibrio a largo plazo distintos
al punto fijo, es necesario que los sistemas dinmicos se modelicen de forma
no lineal.
En el anlisis del equilibrio del mercado de bienes, por ejemplo, los precios estn
determinados porel proceso que conduce a los oferentesdel mercado a incrementar los precios
cuando la cantidad demandada al precio corriente, excede a la cantidad ofertada o producida,
y a disminuir precios cuando lo que existe es un exceso de oferta sobre la demanda. Este
mecanismo de mercado alcanza el equilibrio cuando las fuerzas de oferta y demanda son
mutuamente consistentes y no existe portanto incentivos a modificar los precios existentes en
esa situacin. En equilibriono existe por parte ni de oferentes ni de demandantes estmulo a
u
punto fijo en las que las variables del modelo evolucionan siguiendo un
crecimiento con fluctuaciones cclicas regulares (ciclos lmite o cuasi-
Sr
peridicos) o trayectorias caticas deterministas (atractores extraos). Como
veremos ms adelante, las teoras del ciclo endgeno y las distintas
aportaciones de dinmica compleja introducen no-linealidades precisamente
para posibilitar la existencia de esas situaciones de equilibrio dinmico en las
que el propio modelo puede generar de forma endgena crecimiento cclico,
posibilitando as la integracin del estudio del ciclo y el crecimiento
econmico.
modificar sus decisiones en el mercado de oferta o demanda, por lo que se dice que las
actuaciones de los agentes en esta situacin de equilibrio son mutuamente consistentes. u,
e)
CAPITULO 6. DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOOUE TRADICIONAL
6-9
Pese a que estos modelos han quedado ampliamente superados con las
aportaciones posteriores sobre el crecimiento econmico, constituyeron en su
da el punto de partida a partir del cual se construyeron le resto de modelos
sobre crecimiento econmico. Su consideracin en el presente trabajo se debe
a que, pese a su simplicidad, recogen la esencia de la postura tradicional en
cuanto al tipo de anlisis dinmico adoptado por la teora moderna del
crecimiento econmico. El modelo propuesto por estos autores parten de los
siguientes supuestos sobre la economa ~:
14 Para un anlisis detallado de estos modelos vase iones (1988, pp. 5 1-78). Lo que aqu
presentamos es una versin simplificada de los mismos.
CAPITULO & DINMICA ECONOMICA SIMPLE: LIMITACIONES DEL ENPOOUE TRADICIONAL 6- 12
progreso tecnolgico 1
Yrmin{f~=i-fL} (6.1)
mt
La utilizacin de este tipo de funcin de produccin permite que existan
situaciones de desempleo de factores productivos, estando el nivel de
produccin de cada periodo limitado por la dotacin existente de factores
productivos. En cualquier caso, y debido a que el factor trabajo crece a una tasa
constante, la cantidad de produccin mxima de la economa vendr dada por
mt
la cantidad de mano de obra en cadaperiodo. A la lasa de crecimiento de este
nivel de produccin mximo se le denomina tasa natural de crecimiento
(Gj~nx),y representar aquella tasa de crecimiento de la produccin que mt
mantiene a la poblacin en pleno empleo. Si la tasa de crecimiento efectiva
(G)fuese inferior a esta tasa natural no se estara ocupando a toda la mano de
obra y aparecera desempleo involuntario. Adems esta tasa de crecimiento
efectiva nunca podr ser superior a la lasa de crecimiento natural dados los
supuestos sobre la tecnologa (slo podr ser superior momentneamente si se
parte de una situacin inicial de desempleo). a
a-
~ Este progreso tecnolgico sedice que es potenciador del trabajo o neutral en sentido de
Harrod, en la mediad en que mantiene constante la proporcin con la que se usan los factores
productivos en la produccin. Sr
6=1=1 (6.3)
Y y
a-
Ln Y LflY A
6w 0w
Sr
tiempo tiempo
Taso de crecimiento de Taso de crecimiento de
Equilibrio Estable Equilibrio Instable e
de la inestabilidad.
a
CAPTULO 6. DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOQUE TRADICIONAL 6-15
Dados los supuestos del modelo, podemos entonces encontrarnos ante tres
situaciones:
iii) G<Q (caso 13 de la figura 5.3). En este caso y por (5.6) tendr que
verificarse que V>Vr Es decir, por un razonamiento anlogo al anterior, los
Recordamos que las tasas de crecimiento vienen expresadas en este grfico por la
U)
Sr
5.4] Existe depreciacin por el uso del capital a una tasa constante 8. u,
u.
donde y = YL25 es la produccin por trabajador. y k=K/<AL). es el capital por
trabajador medido en unidades de eficiencia. De esta forma la dinmica de la
renta per cpita vendr dada por: a
i =1 +~3 (6.9)
yA k a
es decir, por el progreso tcnico de cada economa y por la dinmica del stock
de capital portrabajador eficiente. El supuesto 15.3] proporcionan la dinmica a
del progreso tcnico. Por su parte el proceso de inversin, que utiliza el ahorro
para acumular capital se deduce de la condicin de equilibrio continuo en el
mercado de bienes y servicios: a
Sr
introducimos esta teenologia Cobb-Douglas por motivos de sencillez de exposicin,
anuque en realidad lo nico que seexige ala funcin de produccin es el cumplimiento de las
condiciones de [S.51.Adicionalmente se suele a la funcin de produccin las
exigir
Sr
condiciones Inada de buen comportamiento para garantizar la existencia y unicidad del
equilibrio dinmico a largo plazo (Romer, 1996, pp9):
ay
[m~~ l,m=O e
,-
0a& .,.cik
25Estamos identificando aqu la renta por trabajador con la renta per cpita, suponiendo
para ello que toda la poblacin de la economa forma parte de la poblacin activa, y haciendo
USO del enfoque neoclsico, que no existe desempleo involuntario.
e
CAPITULO 6 DINAMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOOUE TRADICIONAL 6- 19
St s Y 1 = K + K (6.10)
despejando de (5.10) obtenemos la dinmica del stock de capital:
(6.11)
De esta forma, y teniendo en cuenta que por definicin
la dinmica del stock de capital por trabajador eficiente vendr dada por:
z skP-k(5+x+k) (6.13)
de la que se deduce que la tasa de cambio del stock de capital por trabajador
eficiente viene dado por
Esta ecuacin fundamental es una funcin del tipo de Bernoulli por lo que
al aplicar el cambio de variable i~ k~~ la ecuacin as transformada resulta
lineal y puede resolverse analiticamente (Gandolfol 997, Pp. 436-437):
hm 4= U ( n+;+kt (6.16)
Sr
La solucin a largo plazo supone por tanto una tasa de crecimiento nula
a
para el stock de capital por trabajador eficiente:
IfriI=o
~k}
(6.17) a
dice que la tasa de crecimiento es positiva (diferencia entre las dos curvas), por a
lo que la dinmica del sistema hace que 4 aumente. En el siguiente perodo
estaremos ante un nivel de ka la derecha de 4<,. En esta nueva situacin la tasa
Sr
de crecimiento seguir siendo positiva, aunque de menor valor, por lo que este
proceso se repite hasta alcanzar el estado estacionario 4*, en el cual 4
permanece constante de manera sostenida. u.
e
A
T.s. dc
Citcimictwo e
- (n + x-4-3)
a
u.
4 Sr
k
y, re X(A
1
n +>- +5
3 __
(6.19)
L{x jlf=()jL)tx*n
28Esta homogeneidad vendr definida por los parmetros estructurales del modelo que
definen el estado estacionario: preferencias (s), tecnologa (x, /4 poblacin (n), tasas de
depreciacin (41.Sobre los distintos tipos de convergencia absoluta, condicional y de
dispersin de la renta, puede consultarse: Barro y Sala-i-Martin (1995, cap. 11).
u->
Lp y Ln Y
a
o
XI
Sr
tiempo tiempo
Polticas sobre el Polticas sobre la
ahorro ~ sobre la tasa tasa de progreso
de crecimiento de la tecnolgico a
poblacin
Figura 6.5. Efectos a largo plazo de las polticas econmicas en el modelo de Soow-Swan.
Sr
u.
CAPTULO 6. DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENrOOUE TRADICIONAL 6 - 23
30 Para un desarrollo completo de estas aportaciones vase Romer (1996, cap.2) y Barro
y Sala-i-N4artin (1995, cap. 2 y 3)
CAPITULO 6. DINMICA ECONMICA SIMPLE: LIMITACIONES ~EL ENFOOIJE TRACICIONAL 6 - 24
1~
e
L
max U fe P/u(C)dr = Bft43(~L~)dr
CIAr o 1-/ cts 9rn
so
sa:
u.
(6.21)
e O u.
k=kPc(n+x)/c (6.22) a
Sr
31 Estas condiciones de primer orden vienen dadaspor el Principio del Mximo para la
solucin del problema de control ptimo con horizonte de planificacin infinito y se recogen
en el ANEXO SA. Para un desarrollo de las mismas vase Chiang(1992, cap? y 9).
a
32Sobre el anlisis de este tipo de soluciones del tipo punto de silla y sus aplicaciones a
la economa vase Gandolfo (997, cap 22)
a
6 - 25
CAPITULO 6 DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOOUE TRADICIONAL
Para un anlisis de estas polticas en el modelo de Ramsey vase Romer (1996, Pp. 59-
72)
a
Modelos de crecimiento endgeno con tecnologia AbC.
Los supuestos que incorpora este modelo son los mismos que los del modelo
de Solow, a excepcin del que hace referencia a los rendimientos decrecientes a
para el factor capital. Suponemos adicionalmente que no existe progreso
tecnolgico (x=O) y que la funcin de produccin presenta rendimientos
constantes a escala. a
Utilizando una tecnologa de] tipo del tipo Cobb-Douglas sin progreso
tecnolgico (Y=AK@L ft), teniendo en cuenta el supuesto sobre los
rendimientos constantes a escala (cti-fi) y sobre los rendimientos constantes
para el factor capital (/N1). la funcin de produccin agregada de la economia
deber escribirse como Y A K tecnologaAK--. La produccin por trabajador
en este modelo ser por tanto:
Sr
u.
CAPITULO 6 DINAMICA ECONMICA SIMPLE: LIMITACLONES DEL ENPOOUE TRADICIONAL
6 . 27
(6.23
sA. (n +
YA
A
Tasade
Cectuniento
y -- (n)
b1.
*0 k
U)
- =sA (n+5)
Esta tasa de crecimiento constante tomar valores positivos, nulos o
(6.25)
negativos dependiendo del valor que tomen los parmetros que la definen. Sin
embargo, y suponiendo que la tasa media de ahorro es suficientemente grande.
este sencillo modelo muestra como el supuesto de los rendimientos no
u
decrecientes para el factor capital pem-dte obtener tasas de crecimiento
positivas en el largo pazo sin necesidad de recurrir al progreso tecnolgico.
u
Otras conclusiones relevantes que podemos destacar de este modelo son,
en primer lugar, que las polticas econmicas que fomenten el ahorro (s) y el
nivel global de tecnologa (A), o que disminuyan la tasa de crecimiento de la
poblacin (n) y la tasa de depreciacin (ti sern efectivas tanto para aumentar
la tasa de crecimiento a corto pazo como las de largo pazo (figura 5.7). Esto
constituye otra diferencia importante respecto al modelo neoclsico donde slo a
las mejoras tecnolgicas tenan efectos positivos sobre la tasa de crecimiento
a largo plazo.
a
36Ntese que tal y como vimos en el modelo de Solow, la velocidad de convergencia vena
detenninada por (/-/3)(n+8+x). Dicha velocidad se anula, y por tanto desaparece la
convergencia, una vez que introdueimos los supuestos del modelo ~1K(p1) u
5,4, a, + 4
Ln Y
A s
1A,
*
s~ A0
5
(n0 + e 0)
y (n, + 6,)
tiempo
*0 k
Erura 6.7. Efectos a largo plazo de las politicas econmicas en el modelo AA.
Y (6.26) e
+=sBK0H~~-&,K-8~H (6.27) 5.
aY~aY
8 Y Y
(6.28) a,
8K K~g
teniendo en cuenta esta relacin entre los dos tipos de capital, la funcin de
Sr
produccin podr reescribirse como:
a
que toma la forma ya conocida Y = AK. Por su parte, la acumulacin de capital,
quedar:
(6.30)
I3
e
-1 1
K=sAK,-8K, (6.31) Sr
e
K,=s~AK,-8K, (6.32)
ecuacin, esta ltima, que tendr la misma solucin que la estudiada para el a
modelo de tecnologa AK. La tasa de crecimiento a largo pazo del stock de
capital quedar determinada por (5.32) que por (5.28) y (5.29) determinar
tambin la tasa de crecimiento de la renta y el capital Humano. u
a
CAPTULO 6. DINAMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOOUE TRADICIONAL 6 . 31
k I\ 1<,)
que ser la ecuacin fundamental del modelo. Esta ecuacin nos indica que el
stock de capital privado por trabajador crecer a una tasa de constante, y por
media constante.
Galindo y Escot (1998) proporcionan una versin alternativa en el que los impuestos
financian la acumulacin de capital pblico (.dG)
CAPTULO 6. DINAMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOOUE TRADICIONAL 6 . 32
e
A
5.
e
Tamao
del
gob,eno
0 rl-ii gly=r
e
e
Figura 6.8. Tamao ptimo del Gobierno en el modelo de crecimiento
endgeno con tecnologa AK.
e
(=)}) =( ji (6.3 8) u,
Max(2Jt(lsAerA) ~
(6.39)
a
sujeto a: O=t=1
40Este esel mismo resultado al que llega Ban-o(iQQ0~ fundnmenzndo su modelo a nivel
microeconmico siguiendo el enfoque de Ramsey yen el que la funcin objetivo en (5.39) es Sr
la de bienestar o utilidad del agente representativo. Galindo y Escot (1998). demuestran que
de fonna genrica tanto para el modelo neoclsico de crecimiento exgeno, como para este tipo
a
CAPTULO 6. DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOOUE TRADICIONAL 633
de modelos de crecimiento endgeno, el tamao ptimo del Estado viene dado precisamente
por el rendimiento del capital pblico en la funcin de produccin en relacin al rendimiento
agregado de todos los factores productivos susceptibles dc acumulacin.
~ Para evitar soluciones explosivas, estos modelos deben suponer por el contrario que el
tamao de la poblacin permanece constante en el tiempo. ti O.
Para un anlisis completo de este tipo de modelos vase Barro y Sala-i-Martin (1995)y
42
~SAKP(UhLMIP>hJ~~KK (6.41)
e
Sr
CAPTULO 6. DINMICA ECONOMICA SIMPLE: LIMITACIONES DEL ENFOOUE TRADICIONAL 6 - 35
Y
1 tA(ExjLi43> (6.43)
donde A esun parmetro tecnolgico; x,, son los bienes intermedios de capital; u.
Ng) es el nmero total de estos inputs intermedios, que se suponen todos con
la misma elasticidad. La tecnologapresentarendimientos decrecientes respecto
a cada x,, pero rendimientos constantes respecto a N(t), posibilitndose as el =
crecimiento constante del nmero de inputs intermedios N), que como hemos
comentado puede entenderse como una forma de progreso tecnolgico. Si
suponemos que en cada instante del tiempo el nmero de bienes de capital es u
igual para todos los bienes de capital, es decir. x=x, para todo , podemos ver
esto ms claramente ya que la funcin de produccin (5.43) podr escribirse
como: e
0> (6.44) u.
Y,= A N, xf L
En este caso. se supone que el progreso tcnico slo est incorporado a los
nuevos productos. Son modelos de los llamados de escaleras de calidad
(qualty ladders), basados en la ideaschumpeteriana de la destruccin creativa,
en la que la nueva generacin de productos (con mayor calidad) deja obsoleta
a la generacin anterior. En este caso, las empresas dedicadas a l+D. tienen
incentivos para apropiarse del mercado de otras que ya estn instaladas
fabricando nuevos productos y dejando obsoletos a los existentes. Es decir, el
proceso de inversin en I+D que genera el crecimiento econmico, se debe a
los incentivos de las empresas a mantener su liderazgo tecnolgico. Como
consecuencia de ello, la solucin de equilibrio de estos modelos supone que los
agentes privados tienden a sobreinvertir en relacin a la inversin ptima desde
el punto de vista social. Esto puede explicarse porque el nuevo lder, a la hora
de decidir sobre los recursos destinados a actividades de l+D. no internaliza las
prdidas que genera a la empresa que se queda obsoleta, dando de nuevo cabida
estos modelos a la intervencin pblica en la economa con el propsito de
maximizar el bienestar social.
So
u.
Sr-
tiempo
Figura 6.9. Crecimiento cccico
e
existe poca evidencia emprica que respalde la idea de que la evolucin de los
datos econmicos converja a una tasa de crecimiento constante.
So
46Para un anlisis de los distintos modelos del ciclo econmico vase Dore (1993),
Gabisch y Lorenz (1989) Mullineux, Dickinson y Peng (1993) y Argandoa, Gniez y
, O
Mochn (1997).
e
CAPO-ULO 6 DINAMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOQUE TRADICIONAL
6- 39
Sr
a
47Este modelo de Harrod-Domar es incapaz de explicar un comportamiento fluctuante de
la actividad econmica. Slo es posible encontrar comportamientos montonos expansivos o
contractivos (figura 4). Aportaciones como la de Samuelson (1939) utilizan el mismo
mecanismo multiplicador-acelerador del modelo de Harrod-Domar para construir modelos So
dinmicos lineales de segundoorden que si permiten comportamientos ciclicos. Pensamos, sin
embargo, que la esencia del enfoque keynesiano desde una perspectiva integradora del ciclo
y el creciniietno queda suficientemente bien recogida en el modelo de Harrod-Domar aqu e
considerado.
48Sobre la evolucin de estos modelos del ciclo neoclsicos desde las aportaciones
monetaristas hasta las de la nueva macroeconoma clsica vase Mullineux, Dickinson y Peng Sr
(1993,cap2)y Dore(1993,cap5y6).
a
CAPITuLO 6 DINAMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFDOUE TRADICIONAL 6-41
ts te tiempo
Estas teoras del ciclo real se centran en factores reales como los detonantes
del ciclo (Blaug 1997, Pp 686-687). Estn relacionados con las propiedades
estadsticas de las series temporales econmicas y concluyen que los datos no
son capaces de rechazar la hiptesis de que el PIB sigue un camino o paseo
aleatorio (random walk), lo que quiere decir no slo que es impredecible sino
tambin que cualquier cambio observado en el PIB es permanente en el sentido
de que la produccin no presenta ninguna predisposicin a invertir su
evolucin de forma que se retome la tendencia anterior al shock. Estos shocks
se suponen que son debidos a cambios tecnolgicos pero, independientemente
de cual sea su origen, implican que las fluctuaciones observadas en el PIB no
son de hecho fluctuaciones alrededor de una tendencia suave sino que son
fluctuaciones en la propia tendencia. No existe distincin entre tendencia y
ciclo como fue supuesto tradicionalmente: la tendencia es cclica.
Para confirmar las teoras del ciclo real, en lugar de usar modelos
economtricos con los que estimar el valor de los parmetros que mejor ajusta
el comportamiento observado en las series temporales, dichos modelos se
someten a calibracin, esto es a su simulacin para toda los valores posibles del
espacio paramtrico, comparando los resultados obtenidos con el
comportamiento observado de las series reales
So
O
- -- <ng x;+~
So
- sk (A)>
So
k
Sr
Figura 6.12. Efectos de un shock tecnolgico exgeno en el modelo de Solow-Swan
Frente a esta visin neoclsica, surgen otros enfoques que tratan de dar una
explicacin alternativa del ciclo econmico. Entre estas aportaciones podemos
destacar la que realizan a partir de la dcada de los 80 los denominados nuevos
keynesianos (new keynesans). Estos autores retoman la postura keynesiana
sobre la persistencia de los efectos reales de las perturbaciones exgenas que
originan el ciclo, restableciendo as necesidad de polticas econmicas para
estabilizar las eeonomias. Esta persistencia de los efectosreales, se explica por
la existencia de una serie de fricciones, rigideces e imperfecciones que impiden
el vaciado de los mercados. Dentro de este enfoque existenuna amplia variedad
de aportaciones que no es posible analiza aqu. Podemos citar entre otras, y
slo a modo ilustrativo de esa gran variedad de enfoques, las siguientes
aportaciones: los modelos de costes de men y de racionalidad incompleta de
los agentes para la explicacin de las rigideces de precios en los mercados de
bienes finales; la teora de los contratos implicitos. los salarios de eficiencia y
los modelos de trabajadores insiders-outsiders para la explicacin de las
rigideces salariales; y los modelos de racionamiento del crdito para la
explicacin de rigideces en los mercados monetarios y financieros.
~ Para una visin ms completade este enfoque vase Mankiwy Romer (1991ay 1 991b).
Sobre cmo estos modelos se han utilizado en la explicacin del ciclo vase Argandoa,
Gmez y Mochn (1997, caps. 3,4,5 y 6).
CAPITULO 6. DINMICA ECONMICA SIMPLE: tIMITACIONES DEL ENFOOUE TRADICIONAL 6 - 44
a
y
es
So
tiempo
a
Frente a las teoras del ciclo que recurren a una perturbacin exgena y a
e
su posterior propagacin dentro del sistema que hemos englobado bajo la
denominacin comn de teoras del ciclo exgeno, tendramos aqullas en las
que el ciclo surge endgenamente de la propia dinmica del modelo.
Sr
Entre estas teoras endgenas del ciclo encontramos las de Sehumpeter
(1912, 1927), Kaldor (1940)51, Hicks (1950) y Goodwin(1951, 1955) 52 por
citar algunas de las iniciales. Estos modelos tienen en comn el hecho de que
para explicar la existencia de ciclos econmicos, no necesitan recurrir a
perturbaciones o shocks exgenos. Para ello introducen en su formulacin o
algn tipo de no linealidad, que les pennita llegar a equilibrios dinmicos del
tipo ciclo lmite. En estos modelos, por tanto, las soluciones convergen a ciclos
regulares perfectamente peridicos tal y como se muestra en la figura 5.13. u
Techo
En (Y)
Suelo
tiempo
dimensin del modelo es superior a uno, la solucin de estos modelos puede, sin embargo,
presentar oscilaciones peridicas cuando su equilibrio dinmico esdel tipo centro. A pesar de
ello, este equilibrio no resulta demasiado atractivo para la explicacin endgena del ciclo
econmico, ya que estos equilibrios son estructuralmente inestable. Esta inestabilidad surge
porque estos centros requieren de la verificacin de una serie de relaciones muy especficas
entre los parmetros que definen el modelo. Los ciclos lmites son, por e! contraro,
estructuralmenteestables y surgen para un amplio rango de valores posibles de los parmetros
estructurales. Vase Gandolfo (1997, pp. 338-339 y pp. 347-349).
CAPTULO 6. DINAMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFOouE TRADICIONAL 6 - 46
KrvY (6.46)
1=1 { 1fl~flfl
>1~
ma
(6.47)
e
e
max
si
~i (6.48) e
54 e,
Seguimos aqui a Puu(1989, PP. 62-70), quin generaliza este tipo de funciones de
inverin no-lineal para el caso cbico.
e
CAPITULO 6. DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFODUE TRADICIONAL 6 - 47
Harrod-Domar
.4
Hicks techo
A
Goodwin
suelo
Adems de las aportaciones aqu reseadas, dentro del mbito de la teoria del ciclo
endgeno de dinmica simple de mitad de] siglo XX hay que destacar la aportacion de Kaldor
quin introduce dos no-linealidades: En la funcin de Inversin yen la de ahorro; y el modelo
presa-depredador conservativo no es un atractor aunque s un equilibrio dinmico de
Goodwin. Vase Chiarella (1990)
CAPITuLO 6. DINMICA ECONMICA SIMPLE: LIMITACIONES DEL ENFODUS TRADICIONAL 6 - 48
e,
(O Mcix H e,
0 Vts[O,J
u~L
3H a
(u) y=E=/(t.y,u) (ec. de movimiento para la variable de estado y)
e
(iii) m
+pm (ec.de movimiento de la variableauxiliara valor corriente)
ay
hm H~e 0tO 56
(iv) ~
(y) hm
y.
56En caso deque el problema sea autnomo, es decir, 0= G<y u)fJ(y, u), esta condicin a
de trasversalidad se reduce a [HJ#1
e
CAPITULO?: CICLOS, CRECIMIENTO Y CAOS.
CAPiTULO 7
DINMICA ECONMICA COMPLEJA:
EXPLICANDO LA IRREGULARIDAD
DEL CRECIMIENTO CCLICO
ECONMICO
Day Walter (1988), Day y Pianigiani (1991, pp.74-81), Day(J 992>, Day (1993) y Day
y
Es por ello, que en una siguiente etapa habr que preguntarse si las series a,
observadas han sido generadas por algn tipo de modelo catico aunque este
sea desconocido. Esta tarea la dejamos pendiente para los prximos captulos.
centrndonos, de momento, en el estudio de la dinmica econmica compleja e
desde un punto de vista ms terico.
Conviene hacer notar aqui que el propio Goodwin ha sido un de los primeros autores en
entender la relevancia que la matemtica del caos puede tener en la economa, vase a,
Goodwin( 1 982) y Goodwin (1990)
Las aplicaciones del caos al estudio del ciclo econmico han ido apareciendo de manera
acelerada a partir de estas aportaciones iniciales. Surveys sobre la aplicacin de la teora del
caos al estudio del ciclo y el crecimiento econmico: Nishimura y Sorger (1996), Boldrin y
Woodford (1990), Majumdar, Mitra y Nishiniura (2000) y Day (999). Sobre la utilizacin de
a teora del caos en otras parcelas de la economa como las finanzas vase Fernndez e
Diaz(2000) y Brock y Hommes (1997a)
e
CAPITuLO?: CICLOS, CRECIMIENTO Y CAOS 7-2
Como decimos, con el nimo de ilustrar cmo puede aplicarse la teora del
caos en el estudio del ciclo y el crecimiento econmico vamos a desarrollar a
continuacin un sencillo modelo basado en esa idea del ciclo hicksiano. Para
la representacin del proceso diseado por Hicks en su modelo, haremos uso
de la ecuacin logstica de May (1976) introducida en el captulo 2.
expresin que nos indica que cuanto mayor sea el nivel de renta en el periodo a,
anterior mayor ser el nivel de inversin del presente periodo, esto es. si
tnicialmente la renta se encuentra en una fase expansiva, este crecimiento se
Sr
ver acelerado mediante el proceso de inversin, y si. por el contrario, la
economa en una fase depresiva, esta se ver alimentada por la cada en la
inversin. Como se recordar del captulo 6, este principio del acelerador es e
precisamente el que genera los problemas de inestabilidad en el modelo de
crecimiento de Harrod-Don=ary que justifica la aplicacin de medidas de
poltica econmica contra-cclica para reconducir a la economa a la situacin e
de crecimiento de equilibrio con pleno empleo.
Techo a
Ln (Y)
- Suelo e
tiempo
Sr
v,tf(t1) (7.3)
(7.3):
(7.4)
y u
t e
a. Sr
max e
y
t
e 4 1= a- bytl
e,
e,
-b
e t
y mm rnax e
y
t 1 t 1
a
Figura 7.2. Variacin y respecto a la renta.
a,
=0. Igualmente si estamos en un periodo
donde la renta ha llegado a la cota
mnima no se puede esperar ms que crecimiento, por lo que y alcanzar su
valor mximo V~ La ecuacin (7.4) puede expresarse en funcin de los
~. Sr
valores mximos y mnimos de la renta Yt JSfl1P2 y del parmetro y
Haciendo i=O se obtiene:
a e
(7.5)
1 ,max
i1
y haciendo y =v obtenemos: e
yrnin\ -l
(7.6) Sr
y,maxj
vz~vra~[
nh,n
) .(I
1
y
~ 1
~
(7.7)
a
e
Si expresamos todas las variables en relacin a rIN y las denotamos por
Sr
Como ya veremos, el valor que tome este parmetro ser fundamental para la
dinmica del sistema
Sr
7-7
CAPTULO?: CICLOS, CRECIMIENTO Y CAOS
1.14
.&55
3; 57
.235
a
2.22 2.47 2.72 2,97 3.22
vm~
1 rna ~ K~ (
1
-
rnax ~ V
1 yrna~3 .11 ItT?) ynia~j~2xmaj
(7.8)
max
( .Y n1~n) -(1 ~y,1)(y,,)
(1 +Xrnax)
C (7.9)
c cyt~i
~ C -(1 +xrnax) (I+xrna~() (7.10)
yrnax rnax
v~2.2
~2.6
max e,
Punto fijo
Ciclo lmite periodo 2
Tiempo
Tiempo e,
2.8
Ciclo Lmite periodo 4 CAOS v=3.1 e
Tiempo
liompo
e,
DA, Y, 11 C/ -
e
1 ~x~ lxma~
a
7-9
CAPTULO?: CICLOS. CRECIMIENTO Y CAOS.
tiempo
Figura 7.5. Integracin del ciclo y crecimiento en el modelo de Hicks.
1.5
1 3 6 7 9 11 13 15 17 19 21 23 25
Tiempo
Sr
7.2. Caos en los modelos neoclsicos de crecimiento
Sr
a,
CAPITULO?: CICLOS. CRECIMIENTO Y CAOS. 7- 11
crecimiento6, que bajo las mismas condiciones que para su versin contina
(apanado 6.3) x suponiendo que no existe progreso tcnico podemos exponer
como (Shone 1997. Pp 100-101):
S,=sY
5K, (7.12)
>iL~
1=nL,
Y, =E(Kr L)
k sI(k,pI-(l&k
(7.14)
u
La posibilidad de que aparezcan comportamientos caticos como consecuencia de la
consideracin de la interaccin entre la actividad productiva y el medio ambiente puede
extenderse tambin para que surjan en modelos de crecimiento ptimo de generaciones
solapadas vase Zhang (1999)
Esta hiptesis tiene su base en que el medio ambientejuega un doble papel en el proceso
productivo, por una parte, la de dotar de recursos naturales al proceso productivo, y por otra e,
la de recibir los residuos que el propio sistema genera. Entre estos dos papeles existe adems
una relacin negativa, en la medida de que cuanto peor sea la capacidad del medio ambiente
de asimilar la contaminacin generada, mayor es el deterioro del medio ambiente y menor la
a
cantidad de recursos naturales utilizables en el proceso productivo. Sobre los distintos papeles
que juega el medio ambiente en el proceso productivo vase Common (1996)
5
7- 13
CAPTULO?: CICLOS. CRECIMIENTO Y CAOS.
Pl
A
a.
-b ~
nl
1 --n
que ser la ecuacin que representa la dinmica del sistema que intentaremos
solucionar para analizar como se comporta la economa en el largo plazo. En
principio calcularemos solamente la solucin numrica. Ello requiere que
asignemos algn concreto a los parmetros estructurales del modelo.
Supondremos para simplificar que /3=y=5= ni 4. La ecuacin (7.21) se
reduce entonces a:
1 +>i
mt
u,
k a
.75
e
-~ 1 Sr,
2 3.5 4
o
3
a
j1
Figura 7-8. Diagrama de Feigenbaum dc la ecuacin logistica a
a
7-15
CAPITULO?: CICLOS. CRECIMIENTO Y CAOS.
Punto Fqo
Ciclo lmite
u=~2. 75 p=3.2S periodo 2
tiempo tiempo
Ciclo limite
periodo 4
tiempo tiempo
/2=4 CAOS
Figura 7.9. Solucin de la ecuacin logstica: evolucin temporal
p3.25
u
k k
Ciclo lmite
Punto Fao periodo 2 u,
e,
k
k u,
Ciclo lmite
42eriodo 4 a
k CAOS
a
Figura 7.10. Solucin dc la ecuacin logistica: Evolucin en el espacio de fases
Sr
1.5
1
0.5
o a
-0.5
tiempo
e,
Figura 7.11 Dependencia Sensitiva a las condiciones iniciales
-
Sobre los distintos mtodos de prediccin sobre series caticos, vase Fernndez a
Rodrguez (1995).
a
4
CAPTULO 7: CICLOS. CRECIMIENTO Y CAOS. 7.1?
Y, =PYK,P(TL,) ~ (7.23)
Sr
-J a
-J
Sr
Sr
tiempo u;
a
CAPiTULO 7: CICLOS. CRECIMIENTO Y CAOS. 7-19
a-
CAPTULO 7: CICLOS. CRECIMIENTO Y CAOS. 7-21
esto es, por una ecuacin dinmica unidimensional que habra que resolver. Un
resultado importante en cuanto al comportamiento a largo plazo del slock de
capital es el desarrollado por Dechert (1984). quin demuestra que la aplicacin
dinmica (7.31) es montona creciente e independiente de f3. por lo que cl
nico equilibrio a largo plazo alcanzable en este modelo de Ramsey de
crecimiento ptimo es el punto fijo steady state. Este es el resultado tpico
que se alcanza en la teora tradicional del crecimiento econmico. Para que la
dinmica descrita por este modelo permita la aparicin de comportamientos
distintos al crecimiento equilibrado habr que introducir alguna variante en el
modelo.
ello ser necesario sin embargo, y esta es una de las principales criticas a este
trabajo una tasas de descuento relativamente elevadas alta impaciencia por
el consumo presente4. Otras aportaciones en las que tambin se utilizan
modelos bi-sectoriales en los que el modelo de crecimiento ptimo permite la
aparicin de comportamientos caticos son entre otras Benhabib y Nishimura
(1985), Deneckere y Pelikan(1 986), Boldrin y Deneckere (1990) y Nishimura
y Yano(1995).
Max~ (3u(c,,m,) e,
t=0 (7.32)
s.a
e
donde c, m y w son el consumo, los saldos reales de dinero y las dotaciones de
fondos constantes en trminos per cpita respectivamente. Por otro lado, H
e,
representan las transferencias per cpita del gobierno a las familias que se
supone que vienen dadas en forma de dinero, es decir, JI = ~.tMj, siendo g>0
la tasa constante de crecimeinto de la cantidad de dinero
e
La solucin al problema de maximizacin (7.32) es la siguiente ecuacin
dinmica de primer orden: e,
1+1.1
13
a
Cuando se utiliza, por ejemplo, una funcin de utilidad instantnea:
u(c,m)= (c 12m
1o
l/2>O (7.34)
x nl
a ~ 1x(1 x) (735) e
e
CAPTULO 7: CICLOS. CRECIMIENTO Y CAOS. 7-23
Supondremos que la economa en todo instante del tiempo est formada por
dos generaciones de individuos nacidos en distintos instantes de tiempo. En
panicular se supone que los individuos viven durante dos periodos. En el
primero, mientras se esjoven, debe decidirse cuanto consumir en dicho periodo
y cunto trabajar. En cada instante del tiempo se produce un nico bien que se
Dr
/~1~
CC
s.a e,
y, ti? a-
<(e, )
La condicin (7.37) implica que el consumo ptimo del individuo debe ser
tal que la valoracin del agente de una unidad de consumo presente en trminos e,
de consumo futuro u1 (ej/u2(e,.) coincida con la valoracin del mercado
e,
CAPITULO?: CICLos, CRECIMIENTO Y CAOS. 7 . 25
verificar que su valor en trminos de consumo futuroy (11)/u2 (e, ,Sse iguale
con el valor de mercado R,, w, La condicin (7.39) recoge simplemente el
.
(7.41)
el
(7.43)
a41
y
v(1,) =1
y
6Medio y Negroni (1996) muestran que los comportamientos caticos tambin pueden
surgir cuando se toman funciones de utilidad con aversin absoluta al riesgo constante y
cuando la funcin de produccin presenta una elasticidad de sustitucin entre factores
productivos positiva
y,zzbk (7.46)
Sr
la condicin (7.45) puede escribirse como:
a
CAPTULO 7: CICLOS CRECIMIENTO Y CAOS. 7 . 27
l.TS
1.3125
.875
~375
O
1.1a75 1.375 1.5S25 1.75
y,
Figura 7.13. Grfico de bifurcaciones modelo Medio y Negroni(1996). Variable de estado 4; b1.2; a:
-B
rs
>.
H .2
n
11.1875 1.375 1.5625 1.75
Y
Figura 7.14.Grfico de bifurcaciones modelo Medio y Negroni(1996). Variable de estado e ; b1 .2; a=1,-
O=cr=O.2; y=Yi,1.75).
Dr.
mr
1.5
e,
1.25
e,
4
e,
.15 a-
5 el
11 1.1325 1 165 11975 1 23
b
Figura 7.15. Grfico de bifurcaciones modelo MedioyNegroni(1996). Variable de estado 1; bccI.l.i23);
a
a=i; O=a=2:rti.5
.9
e,
.5
a-
cl
.4
e
II
- .2
045 CC> e
04
U 35
03 a
o 25
02
e,
015
01
0 05
e,
0
11 115 12 125 13 lIS 14 145 15 07 08 09 1 11 12 13 14 15
1<01 I<t~
e
Supondremos por simplicidad que la lasa de depreciacin & 1, por lo que
la inversin bruta estar determinada por el stock de capital K,. La produccin
de 1 se realiza bajo rendimientos constantes a escala combinando factor e
trabajo y factor capital. Sc supone que el factor trabajo L permanece constante
a lo largo del tiempo, y que el stock de capital K, no puede utilizarse
directamente en el proceso productivo, esto es. que el stock de capital e
acumulado en un instante t debe transformarse en toda una serie de bienes
intermedios que sern utilizados en la produccin del siguiente periodo como
factor productivo. Se supone que estos bienes intermedios se agregan a
utilizando una funcin CES simtrica formando un stock de capital compuesto
agregado que junto a la oferta inelstica de trabajo L determinan la produccin
1 de cada instante del tiempo Yftf (L,, K,.1). Si se supone que la funcin de O
produccin es del tipo Cobb-Douglas, el producto obtenido en cada instante del
tiempo puede escribirse como:
1 e
Y,rRL oj [\ [x,(zfl adj (7.51)
Sr
donde x,(z) es el input de la variedad z en el periodo 1; oe(1 ,oo) es la elasticidad
de sustitucin parcial entre cada par de bienes intermedios; B es un factor
tecnolgico fijo que recoge la productividad global de la economa; y [O,N>] es
el rango de bienes intermedios o tipos distintos de variedades disponibles en
t. Ntese que la funcin de produccin presenta rendimientos constantes a
escala para un A dado; I/o es la participacin del trabajo en la renta; y, que la e-
elasticidad precio de la demanda de cada bien intermedio por parte del sector
de produccin de bienes finales es o.
e>
a
CAPTULO 7: CICLOS, CRECIMIENTO Y CAOS. 7 . 31
Supondremos que el precio unitario del capital K, viene dado por r,. De esta
manera, el precio unitario de los bienes intermedios viejos que se venden de
forma competitiva vendr dado por9:
p,(z)sp>0 =ar, Vze[O,N,,] (7.52)
pk)Ep$zzar~?~
0-1 Vzc[N,,.N] (7.53)
x>(z)2x 0 Vze[O.N,,]
1
x/z)Ex[ VZE[N.<.NJ (7.54)
RL 4 ALxj~N,N)[x~]1
Para determinar las cantidades xf y x7 debe tenerse en cuenta que la
innovacin o creacin de nuevos bienes intermedios est incentivada por la
posibilidad de obtener los beneficios de monopolio durante un periodo.
Dicho beneficio vendr dado por:
o
ar
llhw, x, ~rax,mF)= r,F (757)
0-1
La libre entrada en el mercado de bienes intermedios asegura que
Dr.
es decir. que no existir ninguna empresa que obtenga un beneficio
extraordinario, garantizndose que el conjunto de empresas que producen
bienes intermedios innovados no obtiene beneficios en conjunto. As, cuando
m F
a
DI (0])F (760) Sr
a
OX,
( 1
=aj ~
0)
.xDI~min{i.LOoF} (7.62) a
con
N,=N11+max kION
OF
t (7.63) a-
a
0 (7.64)
ej ij>
e,
que tomar valores de 1 a e=2.71828 cuando o vara de 1 a oc Ntese que los
valores de X,c dependern en cada instante del tiempo de si existe o no
innovacin de nuevos bienes intermedios de capital. La funcin de produccin a-
podr escribirse a partir de (7.62-64) como
1 e
= )~(K,) si K,
1=OoFN,~ (765)
si K, >OoFN,~ e-
e,
CAPITULO 7: CICLOS, CRECIMIENTO y CAOS, 7. 33
con
B ( aL 1; (1.66)
a OoF}
las ecuaciones (7.62-66) resumen la dinmica de la estructura productiva de la
economa. Si K,1/A., =OoF, el stock de capital de la economa es pequeo en
relacin al numero de bienes intermedios existentes y no existirn incentivos
a la innovacin IV, ~Al,,. En este caso todos los bines intermedios se ofrecern
competitivamente y la funcin de produccin agregada de bienes finales tendr
las propiedades tpicas del modelo neoclsico de crecimiento incluyendo
rendimientos decrecientes para el factor capital, y por ello diremos que la
economia se encuentra en el rgimen de Solow. Si por otra parte K,1/N., >
OoF, el stock de capital es suficientemente elevado como para incentivar la
introduccin de nuevos productos, situndose la economa en rgimen de
crecimiento endgeno con rendimientos constantes de capital del tipo modelo
AK vase apartado 6.2
Si denominamos
k~
GoFA!, (7.68)
C(k,,)
6k si k, =1 (7.69)
con W sA.
Dr
1.8
1.6 e-
1 .4
1.2 a
0.8 a
0.6
0.4 e,
0.2
o Sr
o 0.5 1 1.5 2
k~.
a
Figura 7.19. Curva detranscion. Modelo de Matsuyama (1999) rgimen desolon cr2. GO.8.
a
CAPTULO?: CICLOS, CRECIMIENTO Y CAOS. 7 - 35
2
1 .8
1.6
1.4
1 .2
0.8
0.6
0.4
0.2
oo 0.5 1 1.5 2
KsY,*~=sAK~=CK~ (7.72)
t ~t;)=t K1, 3
(7.73)
(7.74)
6
r
2
1 .8
5
1.6
1 .4
Dr
1.2
1
0>
0.8
0.6
Dr
0.4
0.2
e,
o
0 0.5 1 1.5 2 1<,
u
Figura 7.21. Curva de transicin. Modelo de Matsuyama (1999) ciclo limite periodo dos
o=l0O, G=1.35
Sr
1-0
<1= 0-1 <1=~G>0-1 (775) e
6 0
Por otro lado, el estado estacionario k** ser localmente inestable cuando:
Sr
1<0<0-1 (7.76)
a
Matsuyama (1999) demuestra que en este caso (0<0-1 ~0>1 =o>2), existe
un equilibrio dinmico del tipo ciclo lmite periodo 2 -figura 7.21 (o=lOO,
G1.35)-, presentando entonces la economa un crecimiento ciclico positivo e,
donde adems la tasa de crecimiento media de la economa es superior a la
correspondiente con el estado estacionario k**. En este rgimen de crecimiento
cclico endgeno se van alternando periodos donde no se introducen a
innovaciones con otros donde s aparecen nuevos bienes de capital.
e,
7. 3?
CAPITULO 7: CICLOS CRECIMIENTO Y CAOS.
1.2
1.1
0.9
0.8
0.7
0.7 0.8 0.9 1 1.1 1.2
cf
.5
U?
st
L- 1.475
e;
35
425
a-
~1
.7 1 13 1.6 1.8 e,
G
Sr
Figura 7.24. Grfico de bifurcaciones. Modelo de Matsuyama (1999)
e,,
- 1.4
a
1.275
u
115 e
1<,
1.025 u.
Sr
-.8
1 1.1 1.2 1.5 1.4
G Sr
1475
95
425
.15
0875
-~.025
-.1
7 1 13 1.B
G
Fgura 7.26. Grfico de bifurcaciones y exponente de Lyepunov. Modelo de Matsuyama (1999>
a
CAPTULO 7: CICLOS. CRECIMIENTO Y CAOS. 7-41
incertidumbre y prediccin perfecta por parte de los agentes. Este es, sin e,
embargo, un resultado que contrasta o choca fuertemente con la hiptesis de
comportamiento catico, en el que debido a la dependencia sensitiva a las
condiciones iniciales, resulta imposible realizar predicciones sobre el futuro
ms ala del corto plazo a menos que se tenga un conocimiento infinitamente
exacto de la economa, por lo que la hiptesis de prediccin perfecta y
comportamientos caticos resultan incompatibles. Este resultado se mantiene Sr
Desde este punto de vista, y sobre todo porque como ya se ha visto en los
captulos 4 y 5, las trayectorias caticas pueden confundirse con procesos
estocsticos puramente aleatorios, la propuesta de no-poltica econmica de la
teora del ciclo real tradicional estara totalmente injustificada, ya que si el ciclo
irregular tuviese efectivamente un origen catico, las intervenciones pblicas
activas estabilizadoras s ejerceran un efecto positivo significativo sobre el e;
a
7 . 43
CAPiTULO 7: CICLOS, CRECIMIENTO Y CAOS.
caticos cae de lleno en el marco de la teora del control o anticontrol del caos,
o en palabras del profesor Nieto (1998), en la teora del gestin del caos, en la
que la idea fundamental que persigue la gestin del caos por parte de la poltica
econmica se produce a travs de reglas de poltica cuyo objetivo es el de
estabilizar los equilibrios peridicos que aunque inestables siguen existiendo
en el interior de los atractores caticos.
El trmino gestin del caos frente al de control del caos tiene su origen en
la respuesta a la siguiente pregunta Es el caos por s mismo bueno o malo?.
En principio el caos no puede considerarse ni bueno ni malo, dependiendo en
todo caso de las distintas situaciones que estemos considerando. As, por
ejemplo un encefalograma plano o peridico es malo indicativo de muerte
cerebral mientras que las arritmias cardiacas pueden considerarse como
negativas cuando dan origen a paradas cardiacas. En el terreno de la economa
nos encontramos ante el mismo tipo de situaciones enfrentadas, por lo que si
las inestabilidades se consideran negativas para el bienestar social como se ha
discutido anteriormente, el caos ser negativo y los esfuerzos de la poltica
econmica deberan ir encaminada a controlar el atractor y convertirlo en
peridico. Como apunta el profesor Nieto (1998), la inestabilidad es positiva.
sin embargo, en ciertas situaciones. Por ejemplo es positiva en los mercados
financieros, ya que para los agentes que intervienen en estos mercados las
inestabilidades tpicas de las fluctuaciones caticas resultan necesarias para
poder operar con la posibilidad de hacer beneficios. Como expone el profesor
Ubaldo Nieto, si la evolucin de los mercados financieros fuese perfectamente
regular y predecible, los agentes no tendran posibilidad de obtener beneficios,
lo que les conduce o incentiva a intervenir en los mercados financieros, e
indirectamente lo que mejora la asignacin de recursos y la capacidad de ahorro
de una economa, son precisamente las inestabilidades que permiten obtener
beneficios especulativos. En el caso del crecimiento econmico, se ha visto
igualmente cmo, el modelo de Matsuyama (1999) muestra como las
soluciones caticas resultan ms beneficiosa para el crecimiento medio
tendencial de la economa que las situaciones de atona neoclsica en las que
no existe incentivo para la realizacin de las actividades de 1&D.
En el terreno de la poltica econmica esta visin tradicional del fenmeno del crecimiento se a
tradujo en la separacin artificial dentro de la poltica econmica de la poltica coyuntural o
estabilizadora o a cono plazo de la poltica estructuralo de desarrollo o de largo plazo.
a
7 - 45
CAPTULO 7: CICLOS CRECIMIENTO Y CAOS
y.
Para ilustrar el metodo OGY de control paramtrico consideraremos, sistemas
discretos dinmicos del tipo22
u
x(k+l)rfjx(k).4 xeDclR IceN pie (7.79)
con las derivadas parciales evaluadas en los puntos fijos, x*( r> y (pi).
Supondremos que el parmetro pi es una funcin lineal de la variable x, as es a>
como se introduce el control en el sistema de la forma
e,
22 Este mtodo tambin puede utilizarse para el control de sistemas en tiempo continuo,
en cuyo caso habra que recurrir su seccin de Poincar, es decir, habra que discretizar el a-
sistema con lo que los resultados que mostraremos a continuacin tambin serian aplicables.
e,
CAPITULO 7: CICLOS, CRECIMIENTO Y CAOS. 7-47
C=(B AB KB AnIB)
KT (a~ - ~ - a,)T
con 1 = CW, y
a~
1 a2 -- a
ci,z-2 ~ - 1 0
(7.80)
1 ---00
1 0 .. O 0>
donde {a
1, a2 a) son los coeficientes del polinomio caracterstico de A,
A~BKT,
CAPITULO 7: CICLoS. CRECIMIENTO Y CAOS 7 - 48
fl (s -$.J)s~-t-a1 ,C--... ~ e,
$K[x ~x*(p~barfl~< e
que define una franja de anchura 23/ KTJ. Se activar el control slo para
valores de x, en el interior de este dominio, y el parmetro tendr el valor real a
p-bar cuando el sistema se halle fuera de la franja determinada. En resumen,
se determina el control por
e
p -p-bar = ~KT[x~x*(p~bar)]x u(3- ~
a
para valores arbitrarios de x,, no necesariamente cercanos al punto fijo, y donde
u es la funcin escaln o de Heaviside.
e,
En principio, cualquier eleccin de los poios reguladores en el interior del
crculo unidad sera vlida. Sin embargo, si se conoce el punto fijo y el valor
de los vectores propios que definen las direcciones de la variaciones asociadas
a este punto fijo, se puede imponer por ejemplo que el vector KT tenga
direccin paralela a la variedad estable, lo cual optimiza el tiempo de
estabilizacin necesario, e,
a
CAPiTULO 7: CICLOs. CRECI&IIENTO Y CAOS 7 - 49
donde como se puede ver, la perturbacin se aplica a una sola de las variables.
y y es un parmetro en esta nueva aplicacin. La variacin de este nuevo
parmetro puede inducir una cascada de bifurcaciones sucesivas hacia el caos.
El trmino ,~, significa que slo debemos multiplicar el estado actual del
sistema por 1 + y cadap pasos de tiempo.
CAPITULO 8: ls DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8-1
CAPTULO 8
Es por ello que resulta una tarea fndamental, que de forma adicional y
complementada al anterior desarrollo terico, realicemos un anlisis emprico
para intentar encontrar alguna evidencia de comportamiento catico en la
evolucin de las series observadas de la economa real.
CApiTuLo 8: LA Dsmcor DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8-
En este sentido, los test de deteccin del caos tienen la ventaja de que
sirven para detectar comportamientos caticos aunque no se conozca el modelo
subyacente que rige la dinmica econmica. Es decir, no necesitan una
e
especificacin concreta previa del modelo generador de las series temporales
observadas.
e
Desafortunadamente, nos enfrentamos a toda una serie de problemas que
restan potencia a estos test cuando las aplicamos a las series econmicas. De
hecho, los resultados obtenidos en las aplicaciones de dichos test a las senes
econmicas resultan, en el mejor de los casos, poco concluyentes respecto a la
existencia de caos determinista. Es por ello, que a pesar de que como apunta
Serletis (19%, p. 5211) la inexistencia de una evidencia clara a favor de la
hiptesis de caos determinista en la dinmica subyacente en las series
temporales macroeconmicas invalida y dejavacio de contenido todo el anlisis
terico de modelos econmicos caticos, debera profundizarse ms en el a
anlisis tanto terico como sobre todo emprico para tratar de salvar las
limitaciones en la deteccin del caos en economa.
e
Las limitaciones a la que nos enfrentamos a la hora de contrastar la hiptesis
de comportamientos caticos en la evolucin de las series temporales
econmicas se encuentran, fundamentalmente, en la calidad y cantidad de los
datos disponibles.
e
IP,
CAPiTULO 8: LA DETECCION DEL CAOS EN LAS SEF~IES TEMPORALES ECONOMICAS 8~3
Este es el caso de los datos de a serie de a poblacin espaola que han sido obtenidas
a partir de los censos realizados cada 4 o cinco aos vase el apartado 4.XX.
e
CAPTULO 8: LA DETECCION DEL CAOS EN LAS SERIES TEMPORALES ECONOK4ICAS 8-5
y>
por ello que dedicaremos este apanado a repasar brevemente el concepto y los
test tradicionales de estacionariedad.
e
Dado un proceso estocstico, esdecir, una secuencia temporal de variables
aleatorias {x1}, t=L2 .se dice que ste es estacionario si su distribucin
de probabilidad conjunta no depende del tiempo, es decir, la distribucin de
probabilidad es idntica para cada variable y para subeonjunto de variables
consecutivas en el tiempo. La hiptesis de estacionariedad toma importancia e
cuando tratamos de inferir cules son las propiedades de dicha distribucin
conjunta de probabilidad a partir de observaciones muestrales o realizaciones
del proceso estocstico, esto es, a panir de las series temporales. En efecto, la e
estimacin de la distribucin conjunta de probabilidad requerir, en general.
disponer de un gran nmero de realizaciones para el proceso completo. Como
consecuencia de ello, y del hecho de que en el caso panicular de la economa
slo se dispone de una nica observacin de las variables econmicas para un
mismo instante del tiempo, esto es. de una nica serie temporal o realizacin del
proceso (por ejemplo, slo se dispone de una observacin para la variable PIB
en el ao 1999), resulta altamente complicado acometer cualquier tipo de
inferencia sobre la estructura del proceso estocstico poblacional. a no ser que
e
ste sea estacionario, ya que entonces podrn utilizarse las realizaciones en
distintos instantes del tiempo para hacer inferenciasobre la distribucin conjunta
de todo el proceso.
a
8-7
CAPITULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONOMICAS
0.9
0.8
0.7
x(t>
0.6
0.5
0.4
0.3
0.2
0.1
o
LO 04 O~ <O CO O h~ <O O~ CD <O O
N 04 CO fl U, U~ CD t- N <O O~ O> w ,- 04
Figura 1
.4
-2
a
-3
e
-4
-5 e
Figura 2
e
figura 9.1. Con la transformacin logartmica, se consigue eliminar esta
inestabilidad de la varianza. linealizndose a su vez la evolucin de la serie
figura 9.2.
e
6 Con series anuaJes pueden utilizarse grupos de 4 o 5 aos. Para series con frecuencia
estacional, los grupos deben hacerse tomando el perodo estacional completo para eliminar
e
la influencia de la estacionalidad (Pea, 1986, p.545).
Ms concretamente este anlisis parte del supuesto de que para cada grupo 1: o~k y,0
e
e
CAPTULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS e-a
e
e
e
,, ee
q~ e
Media
Figura 3
1.2 1.2
0.9 0.9
0.0
07 07
0.6 0.0
05 0.5
04
2 2.5 3 3.5 4191p14.5 5 55 6 5.5 2 2.5 3 35 4 hI(14.5 5 5.5 e s.s
Figura 4. x, Figura 5. ~,
*
1
gr
1.272
S~22 a
0.632
:1
o, 010
0 1 1 2 4 5 6 2 0 1 19 11 12 13 14 15 10 17 19 9 20
.4
30043
.4
-D 640
loor
u
-1 205
o xe
070 3 0111013 14101617T6192027 flflOdO579Z79~~31V -0.640 272
Figura 6 xt e
antipersistente los valores del estadstico de Anis Lloyd son AN(x,) ~-2O6.3]
y AN(z) =-/54. 519, rechazndose en ambos casos la hiptesis nula de Ruido
e
Blanco Gausiano. Por otra parte el estadstico Vp presenta en ambos casos la
misma pauta de comportamiento figuras 4 y 5.
e
Por lo que serefiere a la eleccin del retardo ptimo para la reconstruccin
del atractor, el anlisis de la funcin de informacin mutua indica, en ambos
casos, que el retardo ptimo es uno en la serie original x0 por el decaimiento a
e
2054 -
0.944
20 32
4 e
101
-0332 -
0.12 2
al
-1034
O0(34
e
015012
-2684 -
-4.1 -m ~1
>02793 4.16 2684 1.8L~ 0 332 u
a
Figura 7. Zt
e
CAPiTULO 8:LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONOMICAS 8-11
168
75
510
512
25
25
o 1 2 3 ~ 6 8 ~ ja 0 1 2 3 4
9 6 7 9 3 la
El anlisis del porcentaje de falsos vecinos apunta que en ambos casos que
la dimensin de inmersin ptima es m=2 figuras 8 y 9. A pesar de ello, la
eliminacin total de falsos vecinos para la serie transformada slo se alcanza
para la dimensin m=17.
146 - 12$ -
11/~ 094
0.73 063 -
036 0.31 -
a 12345676910i1121314151617j0i920
mu 12 13 14 15 IB 17 jo iS 2$
1.31 1.15
0.98 + a-Ob
0.65 -] 0.57 -]
032 020
0
2 3 4 5 6 7 9 10 11 12 13 14 19 18 17 10 19 20
*01
y
004 lIto
JI.,,
y
000
.02 _______________________________________ Sr
347 ~o - _____________________________________________________________
Figura 14. Exponente Lyapunov. Mtodo Figura 15. Exponente Lyaponov. Mtodo al
Wolf.xt Wolf. ZI
u) (J-L)x,=p 3- ax,
1 + e, e, Ruido Blanco (8.3)
La hiptesis nula en (9.3) sera H0: a=p=0, bajo la cual el proceso
estocstico sera un paseo aleatorio sin deriva. La hiptesis alternativa
implicara ahora que el proceso generador es un AR( 1) estacionario con
media u.
Uno de los problemas de este test de races unitarias es que supone que el
trmino de error e no est correlacionado en el tiempo. Cuando se incumple
dicho supuesto, es decir, cuando s existe cierta correlacin en el trmino de
error, la inferencia en cualquiera de los tres casos anteriores se ver afectada. e
pl
p-I
0 (1 L)x,r43-i-ax,., +~ y,(l L)XJ+e, , e,R.B. (8-6)
f3
ib) (1 ~L)x,rt u -13t-s-ax,1 -53 y,(l L)Xj,-re, , e-R.B. (8.7)
Hay que tener en consideracin que este anlisis sirve para contrastar la
integrabilidad de primer orden, esto es, que la primera diferenciade la serie es
estacionaria. En el caso de querer contrastar la necesidad de tener que tomar u
diferencias de mayor orden para conseguir estacionariedad un mayor orden de
mtegracin, debe tenerse en cuenta que el anterior test propone como hiptesis
.4
alternativa la ausencia de races unitarias, esto es. estacionariedad. As, debera
utilizarse el test anterior comenzando por el mayor orden de integrabilidad que
a
e
CAPITULO 8: LA CETECCION DEL CAOS EN LAS SERIES TEMPORALES ECONOMICAS
8- 15
(l-L9)=(l-L)(l +L+L2+..+L~)=(l-L)S
9(L) (8.8)
As, si se desea contrastar la hiptesis de dos mices unitarias debera utilzarse el test
de Dickey-Fuller ampliado sobre (l-L)\. En caso de reehazarse, deberamos comprobar si
la primera diferencia es efectivamente estacionaria utilizando el tes sobre (1 -L)x,,.
As, cuando a~=0. la serie presenta una raz unitaria en la frecuencia cero.
lo que implica que la serie tiene una tendencia estocstica no estacional. Cuando
w2~0. entonces la frecuencia es de dos ciclos por ao. Si zgO y r>zO. la serie
posee las3. raices i y -i,aesto
Los filtros usares.
enraces
cada unitarias
caso son: estacionales
(l-L) si ir,0;en (l+L)
las frecuencias
si ir 0
anuale& 2=zO y
(lL)si r~0 y ;0 conjuntamente. Un resumen de estos resultados se
muestra en el cuadro 9-1. u
Cuadro 8-1.
(1 Lj=( 1 L)( 1 1 iL)( 1 iL)
O (1+L) -l 1/2 2 2
e
2) rbi 1/4 4
ir3;r40
Fuente: Suriaeb el al. (l4-L
(1995. p.ItIflv elaboracin propia.
y el test-F para la significacin conjunta de ir, y ir han sido tabulados por los
propios autores.
a
a
CAPITULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8 - 17
Cuadro 8-2.
ir 2 (1 3112)12 116 6 2
9 ir,0 O l-L-i-L
w,,r,mO lLL (-1131/2)12 /3 3 4
Fuente: Surdlacli el alI 995. p!02) y elaboracin propia.
00 00
06 ___________________________________________________________________________ 06
04 04
02 0.2
-06 0.0
Figura 16 U
U.
El anlisis de la funcin de autocorrelacin simple y la funcin de
autocorrelacin parcial.
e
Para tenninar con el anlisis de la estacionariedad, y como apoyo a los test
de races unitarias, la determinacin del orden de diferenciacin necesario para
conseguir que una serie sea estacionaria puede deducirse a partir del e
correlograma, es decir, de la flincin de autocorrelacin simple (acfl y la
funcin de la autocorrelacin parcial (,pacf). Cuando una serie no sea
estacionaria, se caracterizar, porque los coeficientes de la acf decrecern o se e
amortiguan muy lentamente. El caso tpico se presenta cuando la ac tiene
valores prximos a uno decreciendo de forma suave, junto a una pac con el
primer coeficiente prximo a uno y el resto nulos figura 16. Esta estructura a
se corresponde precisamente con la de un proceso autoregresivo de primer
orden AR(l), (l-~L)x,~e, , con q~=1, es decir, con una raz unitaria, que
desaparece al diferenciar la serie5 Adems, en caso de existir algunaestructura u
autorregresiva adicional, como sta se aade de manera multiplicativa, el
correlograma quedar dominado por esa raz unitaria.
e
8 - 19
CAPITULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPOR~LES ECONMICAS
Por otro lado, en el apanado anterior, y como consecuencia de que los test
para la deteccin del caos determinista requieren que las series analizadas sean
estacionarias y ello implica que no presenten ninguna tendencia media de
crecimiento, vimos que, en caso de que ello sea necesario, la serie y, debe ser
transformada logartmicamente y/o diferenciada hasta conseguir que sea
estacionaria como paso previo a la aplicacin de los test para la deteccin del
caos determinista.
U
.1
LnPIBJ?PC
0.5 Tendencia lineal U
0
a
-a
a
1
-15 0
-2 -
Figura 17
u
CAPTULOS: LA DETECCION DEL CAOS EN LAS SERIES TEMPORALES ECONOMICAS 8-21
0.5
0.4 - Componente cclico (tendencia lineal>
0.3
0.2 -
0.1
-04
-0.2
-0.3
-0.4
-0.5 -
-0.6
1850 1870 1890 1910 1930 1950 1970 1990
Figura 18
LnPIBRPC
0.5 -
Tendencia No-Lineal (tendencia lineal Iruncada en 1950)
-0.5 -
/ -
-j~s -.
-2 -
1850 1870 1890 1910 1930 1950 1970 1990
Figura 19
025
005 S
-005
e
-0.1
-0.15
e
.02
-0.25
1850 1870 1890 1910 1930 1950 970 1990 u
Figura 20
e
lineal figura 9.2 proporciona para esta serie en ciclo econmico de elevada
periodicidad y no estacionarios ciclos largos, que parecen recoger ms que
el comportamiento cclicoa corto plazo de la economa oscilaciones dentro del
atractor, el posible cambio en la tendencia lineal a largo plazo sufrido en la
economa espaola a partir de la segunda mitad del siglo XX. Es por ello, que u
el supuesto sobre la componente tendencial lineal en el tiempo, no parece ser el
ms adecuado cuando se aplica sobre ciertas series econmicas reales como el
PIB per cpita de la economa espaola para un periodo amplio de tiempo. u
-Ib i v1950 e
e.
CAPiTULO 8: LA DETECCION DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8 - 23
- --- LTIPU3RPC
-0.5
-1.5
-2 -
Figura 21
A A
miii sf=~3 (iQ+?vM ~(l~L)2Tjf (14)
t=I
0.1
.0 e
~O05
a
-o
a
-ff15 -.
Figura 22
0
17 Para un anlisis completo de la aplicacin del filtro 1-IP al estudio del ciclo econmico
de Espaa vase Dolado, Sebastin y VaIls (1993). a
Para un anlisis de dichas deficiencias vase Sebastin (1997, p.1 5-33) quin propone
la aplicacin de un mtodo alternativo para estudiar el componente ciclico de una serie
a
es
CAPITULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS
8-25
~> Otros tes de no-linealidad tambin utilizados en l3arnett et aI.(1995, 1996 y 1997)
para comparar la potencia de cada uno de ellos cuando se utilizan series cortas son el test de
Hinich (1982) paz-a detectar no-linealidad en varianzayel de White(1989) para detectar no-
linealidad en media que se basa en el filtrado de la serie por modelos de redes neuronales
artificiales vase Jungilges (996). Para una comparacin de la potencia entre estos y otros
test dc no-lnealidad vase tambin Guarda y Salmon(1996) y Jaditz y Sayer (1996).
ql
Una vez que con estos test la hiptesis de linealidad haya sido rechazada.
habremos encontrado evidenciade no-linealidad en la dinmica subyacente a la
serie temporal, pero no necesariamente de comportamiento catico. Esto se
debe a que existen procesos puramente estocsticos no-lineales ARCH. e
GARCH. Medias Mviles no-lineales, etc. que tambin pueden explicar la
evolucin no-lineal de la serie. De esta forma, una vez encontrada evidencia de
comportamientos no-lineales y con el objetivo de delimitar si el proceso S
generador de la serie es de tipo estocstico no lineal o de tipo catico
determinista, entonces, en una segunda etapa. se deber seguir profundizando
en el anlisis de la serie buscando el posible origen catico de esas no- a
linealidades, por ejemplo, buscando atractores de baja dimensin y con algn
exponente de Lyapunov positivo.
0
La importancia de esta primera etapa en bsqueda de comportamientos no-
lineales, radica precisamente en que la potencia de contraste de estos test de no-
linealidad es mucho mayor que la del resto de tcnicas sobre todo cuando nos
enfrentamos, como nos ocurrir en las aplicaciones sobre la economa real, ante
series cortas y perturbadas con ruidos puramente aleatorios.
Estadstico BDS
e
2~ En este sentido el test BDS resulta ms potente que el tradicional Q, ya que es incluso
capaz de detectar dependencia serial incluso en series no autocorrelacionadas
a
21 Brock et al.(196) muestran que tambin puede ser utilizado como test de
estacionariedad y para contrastar la bondad del ajuste y especificacin de los modelos.
SI
S
CAPiTULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8-27
T e
(}r,m)=lim!. 9(rILv7y~l) (17)
~m~ j~fil r~i
e
Bajo la hiptesis nula de que los valores de la serie {yj<, estn idntica e
SI
hiptesis nula segn cualquiera de los criterios de eleccin que utilicemos primer mnimo
de la funcin de informacin mutua media o primer cero de la funcin de autocorrelacin
simple.
SI
a
8-29
CAPITULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONOMICAS
con
-y
1 )2C(r)2n m 2Kfr)cfr)2m-2)] (23)
c2(rmY4[K(r)m 2Z (K(r)~~C(r9 (m
C(r) zE[H(r y y
1)]
y K(r)>C(r~.
(r)zC(r,)
3
E! contraste de la hiptesis nula debe realizarse calculando el estadstico
BDS, W(m,r), para varias dimensiones de inmersin y para varios valores de r.
En cuanto a la eleccin de r, quizs el elemento de mayor arbitrariedad de este
test, existen varias propuestas (Brock, Dechert, LeBaron y Scheinkman, 1996,
p.219). Nosotros nos decantamos por el enfoque de Brock, Hsich y Lebaron
(1991, p. 50-53) quienes recomiendan elegirr entre 05 y 1.5 veces la desviacin
tpica de la serie temporal.
CAP[TULO 8: LA OETEOCIIi OEL CAOS EN LAS SEI~ES TEMPORALES ECqNOMIOAS 8-30
ARMA han sido tomadas de Barnett et al. (1997). Las series no-lineales
deterministas corresponden a las soluciones de cuatro sistemas en rgimen
catico:la aplicacin de Henon cr 4; b0. 3-, la logstica ~p=t4~, el modelo
de Lorenz o=l 0; r28; f3=8/3 y el de Rslslera=0. 1, MO. 1 c1 4, estos dos
ltimos muestreados a intervalos unitarios de tiempo. En todos los casos se ha
e
filtrado la serie por el modelo ARMA que mejorajuste la serie, eligiendo como
criterio de seleccin del orden del polinomio autoregresivo y de media mvil,
el Criterio de Informacin de Schawrz C1S25. En la tabla se muestran los e
resultados del test BUS para la serie original como en su caso, para los residuos
del filtro lineal aplicable slo la serie del proceso ARMA, y del sistema de
Henon y de Rssler admiten la modelizacin lineal segn el CIS. El estadstico
W(m,r) que recordemos se distribuye segn una Normal(0, 1) a una banda se
ha calculado en cada caso para dimensiones de inmersin m=~2 hasta m4 y
considerando cuatro posibles valores parar entre 0.5 y 1.5 veces la desviacin
tpica de la serie temporal. Los resultados parecen rechazar correctamente la
hiptesis de linealidad en todas las series consideradas a excepcin de la serie
generada por el proceso GARCH26. De hecho, el test BDS no es consistente a
26 Estos resultados coinciden con los obtenidos por Barnett et al. (1997).
u
a
CAPITULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8 - 31
15 50 -______
052 00 250 50 3005 350 4000 450 sa~ Prot-abilily
Jarqas-Bera 3.145541
0.207470 -II ~ ~ So 205) 250 5055 ~< ~053 .505 .Iarque-Bcra
ProbabIsls 1248001
0.535797
Figura 23 Figura 24
u
o&RCI Senes: GARcII - d
NMA Sosias. NMA .1
1 SrapIe 1 500
Sample 1500
Mt .0.012593
u
~ M&~
1~~li~ -0.012209
1}~ Minamun, -3956110 1 ~tf~
jq toiLIi[i..iI ~
1rIl5?~~3~
ihI Obsenalania,
Msrimwn
Median
M.n,misn 10.15864
-9.856914
-0.006191
2 ~ h Obsen.trnns 500 0.016073
Mmnmwn 3.092016
5W Dc 1213571 SItJ. Dcv 2916289
-4 Skevocss -0.061806 Skewncss 0.045047 a
Lirtosio 3155403 . Kmtoss 3227568
u-
Figura 25 Figura 26
e
Figura 27 Figura 28
SI
>-4e,
>.4edsm 0.552687
0.449929 ioj d1 ~lII lll lij ~~ ~ Mc.,
Mejan 0860148
0.110142 SI
>4mn.nnmn 1731210 o~ ~ i Monn,,.,, 19.23200
1737090 1 j~ ~ ~ Msmn,um 21.62130
Std J.~v. 8.067574 II !Iil iIi:Il~,[i ii;!iI~ II I~!Il SitJ. 0ev 11.82490
Sko~aeso 0.053429 .~o iliiiidl I~I III f skcv.a.ess 0.120583
IZeutosas 2222132 il~i ~ ~~iIIf ~I!~I I ~I 1 L>eStlii, 1.727305
500 00 50 2002 250 505 350 450 450 550 e
Jaque-Bara 10.97404 ~ ~ ~ 250 250 550 350 450 450 50Jaaquc-Bcra 34.95651
Probabiiily 0.004140
Figura 29 Figura 30
e
e
CAPTULOS: LA DETECCION DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8-34
El test de Kaplan
u.
g rKfr5+ (26) SI
1 q
e
CAPTULOS: LA DETECCION DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8 -36
u.
Estos resultados corroboran los obtenidos por Bamett et. al. (1997),
e
quienes muestranque este estadstico es bastante robusto incluso con series ms
cortas que las aqu empleadas. Nuestro resultados slo discrepan de manera
significativa respecto a los de estos autores cuando se analiza la serie e
procedente del proceso GARCH, ya que al igual que ocurra con el test BUS,
el de Kaplan tampoco es capaz de captar la dependencia no-lineal presente en
esta serie. Es porello, que completamos estos test con el propuesto por Engle
(1982) para detectar procesos ARCH.
__________________ SI
27 Para el clculo del tes de Kaplan utilizaremos los algoritmos proporcionados por el
propio Kaplan (1996) para el programa Matab.
28 La eleccin del valor r adecuado para estimar el valor del estadstico K es quizs el
elemento ms arbitrario de la aplicacin de este test, y pueden utilizarse otros criterios para
su eleccin. En particular, Kaplan propone estimar la regresin (916) utiJizando los 500o
e.
e
CAPTULOS: LA DETECCLN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8-38
instante del tiempo parecen estar correlacionados con el tamao de los residuos
en peniodos precedentes grandes cambios en la serie seguidos por grandes
cambios y pequeos cambios en la serie sern seguidos por otros tambin de
pequea magnitud. Los procesos ARCHQJ) pueden escribirse de manera
genrica como (Hamilton 1994, pp657-664):
(27) SI
porBollerslev (1986) donde lavarianza condicional del proceso se especifica ahora como:
e
Otrasgeneraiizaciones son las constituidas por os procesos TARCH Threshold ARCH
(Glosten, Jagannathan y Runkle. 1993) para los cuales:
SI
h;+a
1-c/11.1-we11+frh,1 I~1=LS ~ 11~1=0 si
e
CAPTULOS:_LA DETECCIN DEL CAOS EN LAS SERLES TEMPORALES ECONOMICAS 8-40
logh<%-t-~ a4v
1, E]vJ +~3v,j
- 1 ~vsx:voxo~I.. 1
_________ ______________ 8<
054
- ------~ o --~--~ ~---- -
311 ~ ~
Ntese igualmente, que las series para las cuales hemos aplicado un
filtro lineal ARMA segn el Criterio de Informacin de Schawrz serie ARMA,
henx y rossdx, son precisamente aquellos en los que el correlograma de la serie
original presenta algn valor para la funcin de autocorrelacin simple o parcial
significativamente distinta de cero, y que con dicho filtro se recoge dicha e
estructura lineal al aparecer un correlograma plano en las series de residuos de
los correspondientes modelos.
_______________ e
aol
ARCH aof ARCH2
1
051
____________________________________________________
O~Z. 0.
e o no <o a, ej 0 2 ~
-0.5 -05~
ji SI
l
05 as 0
1
0
2 O~ e- o no o o> ej .- II
11
-054 y
Al_______________ e
Figura 32
a
SI
-
CAPTULOS: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONOMICAS 8 - 42
0.5 - 0.5
0 o ~ .
e- O 51 <O OSCN<o<Ono
-0.5 -0.5
05 0.5
o .
e- o no
-0.5 -
Figura 33
- cci _____
054 osl
O r. - -------r ~
e- o-.--no~-tQejejno
o~ <o o> ej <o ~ - no e- no vo>ej<o<o
05 -0.5
1 ___________ 1
0.5
Figura 35
1 05
051
2 2 2 2 2 cl O - 2 1 oj 222222222<
72
pat, MC,
051
1~
0<~*~ lo
222 - --~2
.05
2 -...-..-.~
Figura 34
;
-
CAPTULOS: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONOMICAS 8 - 43
05- 05
o r- ~ o . ~
-0.5 05
1 .
0.5 -
O ~ __ &
51 (0 0>ej<o(0~
-0.5 -0.5
1 4 _______ a
Figura 36
a
0
ecl ecl (lordx
0.5-: 0.5 -4 a
o ~
e- o 51 >2 o, 5< <o a.
-0.5 4 0 5
a
1 ~ ~.. ________________________________________ 4 _______________________
~ ________ . ..
lord, pac (krdx~2
a,
0.5 - 0.5 0
o .~ SMJrr~$ > ~
<- e- 0 51 0
-0 5 -0.5 -1 a
5 _______________________________~. 1 ______________________________________________
Figura 37
a
a
0j~ j-t _____
0 0 __________________________________
Pmo, RROSSOS
0 a
NOSSOS Pm
Ir---
9
SI
cl :u 2. ci 2
Figura 38 a
Pa.
8-44
CAPTULO 8: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS
Exponente Estadstica
de Hurst Anis-Lloyd e
ARMA 0.90 15995
RARMA 0.58 007
ARCH 0.58 0.63 e
NMA 0.59 4.38
GARCH 057 -381
henx 036 -109.74 e
RHenx 062 18.72
log4 043 -73.15
lordx 066 42.92 a
rossdx 007 -255.01
Rrossdx 0.47 -53-47
El exponente de Hurst bajo la hiptesis nula lID e
N(0. o) es 0.58. El estadstico Ans-Lloyd se
distribuye baio la hiptesis nula N(O. 1
SI
a
Los test de no-linealidad presentados en el apartado anterior pueden
ayudar a detectar comportamientos caticos en la medida de que la no-
linealidad es una condicin necesaria para que un sistema dinmico pueda
e
generar soluciones caticas. Sin embargo, la deteccin de no-linealidad no
implica necesariamente que el sistema subyacente generador de una serie
temporal sea catico. Existen una gran multitud de sistemas no caticos tanto e
deterministas que generan ciclos limite, movimientos toroidales cuasi-
peridicoscomopuramente estocsticos procesos ARCH, GARCH, que - - -
-O
8-46
CAPTULOS: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS
tambin tienen una estructura no-lineal. Es por ello que pese a que los test de
no-linealidad suponenuna primera etapa fundamental en el proceso de deteccin
de caos determinista, deban completarse con la estimacin de las medidas
invariantes del caos analizadas en el captulo 5 dimensin fractal, exponenetes
de Lyapunov y entropa de Kolmogorov con las cuales si es posible contrastar
directamente la hiptesis de caos determinista.
e
~ Pueden existir ciertas discrepancias entre los resultados obtenidos sobre la serie
original y sobre la serie de residuos del filtro ARMA(p,q) aunque el sistema generador de
dichaserie sea efectivamente catico. Ello se debe, en primer lugar. a la posible coexistencia a,
e
CAPTULOS: LA DETECCIN DEL CAOS EN LAS SERIES TEMPORALES ECONMICAS 8-48
.42 N=498. rl 26 D
henx A-=l7 DLZl
0ol41
?~ =-163 CIS= -19.97 (-.62)
X~495. rl
Rhenx =23 k=5 Djl.38 D6~2.29
k z~60 CIS=-1.86(-.90)
1.48
a,
1.11
0.74
0.37
a
0
1 2 3 4 5 8 7 8 9 10 u
los resultados parecen evidenciar que exista una dependencia temporal en las
series que ha sido destruida con el mezclado o barajado de las senes.
e
2.57
e
193 a
a
084
e
2 3 4 5 6 7 9 10
a,
a
8-50
CAPTULO 8: LA DETECCION OEL CAOS EN LAS SaMbaS TEMPORALES ECONOMICAS
829
5.09
3.39
1.89
w 1 2 3 4 o
Figura 41. Dimesnin de correlacin para la serie original barajada
Bhenx
7.71
5.76
3.95
1.92
o
-o
CAPTULO 9
ANALISIS DE LAS SERIES
TEMPORALES DE LA ECONOMA
REAL ESPAOLA.
Para un resumen de estas aportaciones vase Benhabib (1992). Brock y Poner (1993).
Frank- Stengos (1988). Barnett: Kirman y Salmon (1996) y Barnett: Medio y Serletis(1997).
CAPITULO 9:ANI. ISIS OE LAS SERIES TEMPORALES OS LA ECONOMiA REAL ESPAOLA 9-2
PNB real. para ello utilizan el test BDS sobre las series originales y pre-
filtradas con modelos lineales autore2resivos~
a
CATULO 9:ANLISS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9-3
As, adems de por las propias limitaciones de los distintos test propuestos a,
a,
a,
Entre algunas de estasaportaciones podemos citar a Maravall (1983); Bajo. Fernndez e<
Rodrguez Sosvilla(1992): Olmeda (1995); Fernndez Rodrguez (1995);Grau (1996); y;
y
a,
CAPITULO 9:NJUSIS OF LAS SERIES TEMPORALES OF LA ECONOMA REAL ESPAOLA 9-5
90000
300%
80000
4>
70000
20.0% e -s
o>
60000
o>
4>
0 50000 100% ~
4)
40000
00% ii
30000 +
-i
o
z 20004
E -100%
I0000
o -
o
.200%
0% 0% 0% 0% 0% 0% 0% 0. 0% 0% 0% 0% 0%
Figura 9. 1
ev
Figura 9.2
a
la tasa de crecimiento del PIB nominal, el real y el deflactor del PIB para el
periodo 1850-1999. Como se observa en los grficos tanto el nivel de actividad
como el indice de precios muestran una clara tendencia positiva con a
oscilaciones cclicas irregulares en su tasa de crecimiento, es decir, estas
oscilaciones se presentan de manera recurrente pero con periodicidad y
amplitud variable. Podemos aadir, que como ya se apunt en el captulo 6 se a
observa una clara aceleracin en el ritmo de crecimiento medio a partir de la
segunda mitad del siglo XX.
a
tina de las variables flmdamentales a la hora de analizar el crecimiento
econmico de una economa es la renta o PIB per cpita. Para construir esta
a
Su 40 a
-50%
4>
-10.0V.
20
-150% a
o --.- ~ -~ -20.0%
ca. ca. o a.
a. a. %O O r- r- o
~ a. c~
6%
o a.ca.o~o
0~
a.c~~U%O~O
a. a. oc a. a. oc a. 00 a. a. 0% 0% 0% 0% 6% 0. 6% 0. 6% 6% 6% 0% 0% 6% 0% 0% 6%
a
Figura 9.3
CAPITULO 9:MLISIS DE LAS SERIES TEMPORALES DE LA ECONOMIA REAL ESPAOLA 9-7
30000 2.00%
1.80%
25000 1.60%
20000 140% ~
4, 1.20% .2
.1
c 15000 1.00% 2
4>
0.80% 0
O
.0 4.
~ 10000 0.60%
0.40%
5000
0.20%
0 000%
O CO 04 CO ~ C~J
a, ~ 40 <0 t CO CO CO <0 0~ 4 4 4 4 4 0) 4
CO CO CO CO <0 4
Figura 9. 4
Esta es la referencia que utiliza Maddison (1995, tabla A-3b). Cabe mencionar que
parece haber un error tipogrfico en la citada tabla en el alio 1947, donde el valor de la
poblacin (29223 miles de personas) es superior al proporcionadopor Carreras (27223 miles
de personas).
35000 80%
.60%
301)00
40%
-~ 25000
E 1.20% ~
ej
20000 1 00% ~
ej
o o u
Z 50o0- 080%
0
0.60%~
I0000
0.40% u
5000 - 020%
Figura 9. 5 u
Por otra parte, en el grfico 9.4 se observan dos datos anmalos en la tasa
de crecimiento de la poblacin, uno en 1905 y otro en 1936. Si bien en 1936 el e
descenso en la tasa de crecimiento de la poblacin queda explicado por la
Guerra Civil Espaola, no encontramos en principio explicacin al dato
anmalo de 1 905~. Es por ello que para evitar alteraciones en los posteriores a,
anlisis con esta serie hemos procedido a una nueva interpolacin de los datos
censales sustituyendo los valores proporcionados por Carreras por nuestra
propia interpolacin. As, el dato de poblacin pasa en 1905 de 19133 a 19183, e
expresados ambos en trminos de miles de personas.
$ Si bien las manifestaciones epidmicas de clera en 1885 yde gripe en 1918, asi como e
posiblementea guerra de Cuba 1898-1902 dejaron su huella en la poblacin espaola no nos
consta ningn hecho relevante que pudiera explicar el dato anmalo de 1905.
6Maddison utiliza una proyeccin para el periodo 1956-1960 para enlazar los datos de
Carreras (1989) con los de la OCDE (Labour Statistics). Para el periodo correspondiente a
961-1970 Maddison toma los datos de la OCDE. Existen problemas de enlace entre la serie
del fl4E, la de Maddison y la de Carreras, que setraducen en pequeos impulsos en las tasas a
de crecimiento, sin que en este caso decidamos intervenir la sene.
a,
CAPITULO 9N4AL1515 DE LAS SERIES TEMPORALES DE LA ECONOMIA REAL ESPAOLA 9-9
0.0%
5
*
e e 5
5.05-,
.9 9.
*
~J-5 le 9 e
- lee 1
e le
e 5. e
e -. e 4- 0.0% fr
e .4
e-e e
6 e. ~ e C
SI e
--3.0%
e1
rdJ.5
-30.0%
4
-35.0%
o
00 00 00 00 00 00 00 00 00 00 O~ QN QN O- QN QN QN ON QN QN O~ QN O QN O QN QN QN QN QN
Figura 9. 6
PIIBRLPC LPIBRPC a,
042 -- -
014
Dl
0 12
008 Dl
008 e
~006
004
004 e
0.02 - 5.
D 02
Figura 9. 7
e
3
e
2.5
21
1.5 e
1. e
01
05 a
l
- - H a
-1.5 - +
o o o~
o, 0~ ~ ~
Datos estandarizados
a
Figura 9. 8
a
9-11
CAPITULO 9:NJAI.ISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA
TABLA 9.2
Serie: (l-LV LPIBRPC Estadstico ADF -9.483949
1-10:1(3) (con tendencia lineal ytrmninoconstante) Valor Crtico al 1% -4.0241
Valor Critico al 5% -3.44 15
Valor Crtico al 10% -3.1451
Serie: (l-L) LPIBRPC Estadistico ADF -8.1533S4
1-10:1(2) (con tendencia lineal y trmino constante) Valor Crtico al 1% -4.0224
Valor Critico al 5% -3.4407
Valor Critico al 0% -3.1446
Serie: LPIBRPC Estadstico ADF -0.84348
1-10:1(1) (con tendencia lineal ytrrnino constante) Valor Crtico al 1% -40224
Valor Critico al 5% -3.4407
Valor Critico al 10% -3.1446
Valores crticos tabulados por MacKinnon (1991) para la hiptesis nula de existencia de una
raz unitaria.
Los resultados muestran que la serie LPIBRPC es 1(h) con una tendencia
lineal de crecimiento. Recordemos en este punto el problema de la extraccin
del componente cclico de la tendencia central de crecimiento analizada en el
capitulo 8, en el que se discuti la hiptesis sobre la linealidad de la tendencia
lineal de crecimiento. Es por ello, que en lugar de estimar y extraer dicha
tendencia lineal y posteriormente diferenciar la serie para convertirla en
estacionaria, decidimos extraer el el componente tendencial de crecimiento
aplicando el filtro lineal de Hodrick-Prescott. El componente cclico
estacionario as obtenido CLPJBRPC figura 9.9 ser el que utilicemos
seguidamente para la deteccin de no-linealidades y comportamientos caticos
en la economa real espaola.
1.0 015
0.5 o o 1
0.0 0,05
1-0.5
-1.0 -0.05
-1.5 -0.10 1
-2.0
1860 1880 1900 1920 1940 1960 1980 1860 1880 1900 1920 1940 1960 1980
LPIBRPC TLPIBRPC 1
Figura 9.9
CAPTULO 9:AnALISIS DE LAS SERES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9- 12
e
Los resultados muestran claramente la existencia de autocorrelaciones
significativas entre los datos de la serie temporal. Nuestro propsito ser el de
averiguar si dicha autocorrelacin secorresponde con un proceso generador de
e
dinmica catica o si por el contrario corresponde a un proceso lineal o de
dinmica simple.
a,
Por lo que se refiere al periodograma, la figura 9.12 refleja la evolucin
aperidica de la sede, con un ciclo medio de 10 aos determinado por el
periodo para el cual se alcanza el valor mximo del espectro de potencias de la a
____
1 - - CLPIBRPC
a
0.5
a
<u
e-
-0 5 -
e,
1
t r- o r Co O) cv It) ~ t
CV CV CV
e
Figura 9. 10
e
CAPTULO 9:MLISIS DE LAS SERIES TEMPORALES DE LA ECONOMiA REAL ESPAOLA 9-13
1
CLPIBRPC
0.5
a.
u o
<u
O.-
-0.5 -
1
t r-. O CW) Co O) CV U~ Co
CV r
r r r .- CV CV
Figura 9. 12
-4-
-6-
e
c
-1
e
o
o-
5-lOt-
-12
I
mt 20.0 iO.O 61 5.0 4.0 3.3 2.9 2.5 22 2.0
Peada
Figura 9. 11
CAPITULO 9:AJ~LISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9-14
2 37 e
R/S
2.17
u,
1.97 E[R/S]
u,
ccli77 -
1.37
e
1.17
e
0.97
2.3 2.8 33 3.8 4.3
hO) e,
Figura 9. 13
proporciona una estimacin del exponente de Hurst, que en este caso resulta ser e
de 0.4. es decir, que la serie presenta una estructura de mido rosa
antipersistente o con correlacin temporal negativa el estadstico de Anis-
Lloyd para el contraste de la hiptesis nula de mido blanco es de -34.25. a,
1.5 .0
1.4
EfVp] a
1.3
a,
1.2
1.1 Vp a
1-
e
0.9
a
0.8
10 20 30 40 50 60 70
(pi
a
Figura 9. 14
CAPTULO 9:ANALISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9-15
0.08
Series F~D1BRPC
Sample 1852 1999
004 Observations 148
caso, se observa una significativa memoria a largo plazo en la serie, con ciclos
medios de entre 35 y 45 aos7.
La aplicacin del filtro lineal (1) sobre la serie CLPIBRIPC generar, por
tanto, una nueva serie de residuos que denonnnarenios FCLPJBRPC figura
re-
1~tLo2 - - - FCICL2
u
05 05
~ota.e- ,s.%~ e- , K O
rufl
1e1
-0.5 . -0.5 e
l , 1
O e, Cc C+c+CcWC-v - o e, 0 0 Cc
Figura 9116 e
blanco.
u,
Tests de No-lineaIdad
e
Para contrastar si verdaderamente el filtro lineal (1) es capaz de recoger
toda la estructura temporal presente en la serie pasamos a continuacin a aplicar
-5 - a
mt
<u
c
e u,
~-10L
a-
c
-J
InI 20.0 10.0 6.7 5.0 4.0 3.3 2.9 2.5 2.2 2.0
Periodo
e
Figura 9. 1~
9-17
CAPIULO 9:A>4ALISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA
237 - . 12
2.17 - EiRISI
E[Vp]
1.97
105-
cr??. PJS
.2157 - Vp
095 -
137.
09
117 085-
OS> . -
2.3 28 3.3 38 43 10 20 30 40 50 60 70
hXp) (P)
Figura 9. 18 Figura 9. 19
TABLA 9.4
Estadstico BBS
r m=2 m3 m4 m5 m=6 m=7 m8 m9 m10
o 0.019 8.360 7758 8.383 10.276 15.176 21.222 35.102 60706 101.740
o-
0.027 8841 8349 7963 8465 9.883 10666 13310 17827 22762
o- 0.039 8322 7908 7269 7331 7682 8107 8.867 9.500 10.057
-J
o 0.057 7915 7657 6.925 6.540 6.388 6451 6555 6569 6.691
o 0.0 13 1393 2.212 3341 3.373 3.341 4876 8605 13628 -1.625
o.. 0.0 19
eo- 0.027
1540
2.156
2.079
2.057
3.091
2.547
3.161
2.615
3.760
3.473
4.436
4.178
4.049
4.677
4.610
5.250
5.949
5.725
-J
o
u- 0.039 1950 2007 2.312 2.490 2.981 3.324 3.513 3.542 3.829
Tabla 9.5
e
Test de Kaplan
m1 m=2 m3 m=4 m5
ca KSmean 0.0297 0.0276 0.0285 0.0269 0.0287
o-
KSstd 0.0018 0.0025 00041 0.0063 0.0065 e
E KS 0.026 0.0226 00204 0.0144 0.0158
o.
-1 KSmin 0.0252 0.0223 0.0216 0.0181 0.0174
ca Ktest 0.0276 0.0234 0.0199 0.023 0.0168
ca KSmean 0.0293 0.0294 0.0293 0.0297 0.0289
a,
o..
t KSstd 0.0011 0.0031 0.0023 0.0051 0.0055
E KS 0.0271 0.0232 0.0246 0.0196 0.0178
o- e
-J
<a KSmin 0.0265 0.0236 0.0255 0.0199 0.0164
u- Ktest 0.0271 0.0251 00242 0.023 0.0197
Retardo para el clculo de la tlincin inversa 1 y para la reconstruccin del atraetor 4 y 3 para
CLPIBRPC y FCLPIBRPC respectivamente. re,
e-
Tabla 9.6.
Test ARCH-LM de Engle e
Estadstico Estadstico
F NR2 a
1 7 a-
05 05
e~
o ~
__________________________________________________ o
O
e
-0.5 -0.5
-1 ___
0 (N Cc Cc 1
e, <o
e,, o,
~ y.. o e, Cc 0 <~1 LO Cc ~ 5
a
Figura 9. 20 Correlogrania de la serie (FCLPIBRPC~ -
e
CAPTULO 9:N~LISS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9-19
3.24
292
2.61
229
1.98
O 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 18 17 18 19 20
Figura 9. 21. funcin de informacin mutua media serie CLPIBRPC.
re
re
re
e-
Tabla 9.7
Porcentaje defalsos vecinos
CLPIBRPC FCLPIBRPC
-r=4 r=3
4.60% 4.21% a
m=2 0.23% 0.20%
m=3 0% 0%
m4 0% 0%
nrts5 0% 0%
u
9-21
CAPTULO 9:MLISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA
0.06
004
0.02
~
+
o ,-------
~-OO2 ~
-004 -
-006
-0.05
o - ~ 0.05
0.05 ----- ~
-0.05 o
y(t) y(t+1>
Figura 9. 24 Reconstruccin del atractor serie FCLPIBRPC
Dimensin fractal
r
492
re
-3.64
re
-5.76
-7.68
123456769 10 11 12 13 14 15 16 17 18 19 20
u-
Figura 9. 25
4.34
a
328
a
2.17
1.06
o
1 2 3 4 5 6 7 8 9 10 a
Figura 9.26
a
CAPITULO 9:A1~AL1SIS DE LAS SEReS TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 23
-
-2.1
-4.2
~-6.3
-9.39
123 45 B 789 1011 1213141516 171919 =0
Figura 9. 27
7.49
5.62
3-74
1.87
~0 5
Figura 9. 28
u,
684
e?
521
a
.3.47
u
1.73
O
4 6 7 8 9 10
a
Figura 9. 29
e
1043 -
e
782
a
5.21
2.6
e
la - 5 jo
e
Figura 9. 30
a
CAPITULO 9:ANLISJS DE LAS SERES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 - 25
2.92 - 29
1.87
12 -
t.92 -
2 3 ~ 1 ~ 7 1 2 1 5 e ~ 10
279 - 212
209 - 2.04 -
1.19
Y
599 -
3 2 4 5 9 7 9 9 10 7 7 4 5 1 9 10
OCLPIBRPC BFCLPIBRPC
Figura 9. 31
que los resultados obtenidos por los test de no-linealidad y por el test residual
y del barajado parecen indicar que la estructura subyacente en la serie es de
carcterno-lineal. Es porello, que necesitaremos completarnuestro anlisis con
la estimacin de los exponentes de Lyapunov, nico test directo para la
deteccin de comportamientos no-lineales y caticos.
Exponentes de Lyapunov
re
2.8
2.1
a,
1.4 -
0.7
a
o - e
Figura 9.32. Exponente de Lyapunov dominante serie CLPII3RPC base IogW. Mtodo de WoIf
u
3.33
a
2.5
a
1.86
a,-
083
a,
o
__ __ __ a
Figura 9.33 Exponente de Lyapunov dominante serie FCLPIBRPC base IogW. Mtodo de Wolf
a
CAPITULO 9:ANLISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 - 27
Tabla 9.8
Exponente de Lyapun o Dominante Alzorilmo Lenns
SERIE N zm k ERR CIS A
-0.0085
Tabla 9.9
Espectro de Lvavuno4 Algoritmo Netie
SERIE N u ni k ERR CIS Espectro
-71906 F-0.435
148 1 2 1 0.00110 (-65038) X2~ -0.522
CLPIBRPC xi ~-0.719
138 4 3 2 0.00095 -6.5622 ~2~z-0.980
(-64625) 3.z-I.859
-7.1489
147 1 1 1 0.00069 (-7.2465) X1z~2.805 (-in)
FCLPIBRPC L-0.742 (-~)
139 3 3 1 0.00066 71070 A2~ -0.736 (-70)
(-7.2390) X3t-1.449 (-oc)
N tamailo de la serie ajustado por los raardos incluidos a, el modelo: x: raardo para la r~~istruccni. ja
de mmenun. krn,mero de unidades dc la ospa ocilta; ERR: Eaor atndar de la regrosin; CtS Cntcno de jafonnacia,
deSd,awrz -aiflpazit~is CtS para k=O; XE,qn,a,te de Lvapw,ov ~timado-~,r~adoa, logantmosnqaaianos
CAPiTULO 9:AtJLiS]s DE LAS sgpirs TEMPORALES DE LA ECONOMA Rsx. ESPAOLA 9- 25
a
Dcbido al cambio en la metodologia utilizada en la elaboracin de las series de
Contabilidad Nacional, no se disponen en el momento de cerrar nuestro trabajo las series
histncas actualizadas en la nueva base. Es por ello, que utilizaremos los datos disponibles
en base 1986 hasta el ao 1998. 0
2 Las series utilizadas finalizan en 1998, va que a partir de 1999 Espaa ha pasado a
formar parte de la Unin Monetaria y Europea. refirindose a partir de entonces los agregados
monetarios disponibles para toda la zona EURO.
u
CAPTULO 9:N~LIsIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 -29
Tamao
SERIE Muestral Descripcin y Fuente
*
MENSIJAL Nivel de Cartera de Pedidos. Bienes de Inversion.
NCPBI 1963-09:1999-12 Encuesta de Coyuntura Industrial del Ministerio de Industria y Energa.
N436 Diferencia entre los porcentajes de respuesta elevado (+ 1) y dbil (-1).
Anlisis de la estacionariedad
9~4 0.03
9.2 0.02
0.01
9.0 a,
0.00 -
8.8
-0.0 1
8.6 -0.02
8.4 -0.03 e,
70 75 80 85 90 95 70 15 80 85 90 95
a
9-31
CAPTULO 9:NJLISIS DE LAS SERIES TEMPORALES DE LA ECONOM[A REAL ESPAOLA
6.3 010
0.05
6.2
6.1
-0.05
6.0
-0.10
5.9 -015
5.8 -0.20
70 75 80 85 90 95 70 75 80 85 90 95
Figura 9. 35
8.2 006
8.0 0.04
0.02
7.8
O.0i3 -~ ~-~
7.6
-002
-0.04
7.2 -0.06
70 75 80 85 90 95 70 75 80 85 90 95
Figura 9. 36
6.8 0.12
6.7
0.08
6.6
6.5 0.04
6.3
-0.04
6.2
Figura 9. 37
CAPTULO 9:NJLFSS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 - 32
8.8 0.02
8.6
0.01 u-
8.4
0.00
e
8.2
-0.0 1
8.0
a,-
7.8 -0.02
70 75 80 85 90 95 70 75 80 85 90 95
a
LVARS ThVAnS CLVABS
Figura 9. 38
e
7.2 0.15
a
0.10
6.8
0.05 u
6.6
0,00
6.4
a
-0.05
6.2
60 10 I
a
5.8 -0.15
70 75 80 85 90 95 70 75 80 85 90 95
LFBCFflE_TLFI3CFBF CLF&FBE a
Figura 9. 39
a
7.6 oog
a
.7-4
0.04
7.2
a
000 - -
7.0
u
-0.04
6.8
6.6 . -0.08
a
70 75 80 85 90 95 70 75 so gs 90 95
a
CAPTULO 9:ANLISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 - 33
9 0.4
8
0.2
0.0 h-
16
-0.2
A
65 20 75 80 85 90 95 65 70 75 80 85 90 95
Figura 9. 41
5.0 0.2
4.8
46
44 -0.2
4.2
0.4
4.0
3.8 -.0.6
767880828486889092949698 767880828486889092949648
%iiPIaRii
Figura 9. 42
55 0.5
4-5
4,0
-1.0
3.5
30 -1.5
2.5 -2.0
767880828486889092949698 761880828486889092949698
Figura 9. 43
cAPTULO 9:ANLISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9-34
0.6
6
0.4
u-
0.2
4
0.0
e
-0.2
-0.4 a
-0.6
45 50 SS 60 65 70 75 80 85 90 95 45 50 55 60 65 70 75 80 85 90 95
a
LCGA _ TLCOA CLCGA
Figura 9. 44
a.
8.4 0.3
a
8.0
0.1
a
7 .6
0.0 1
7.2 -<11
a,
-0.2
ti. 8
-0.3
a
6.4 -0.4
65 70 75 80 85 90 95 65 70 75 80 85 90 95
Figura 9. 45
e-
10.0 0.3
9.5 a,
0.2
9.0
0.1
8.5 e:
0.0 4
8-o
-0.1
7-5 a
-0.2
7.0
6.5 -0.3 a
60 65 70 75 80 85 90 95 60 65 70 75 80 85 90 95
LCEE TLCEE
a
Figura 9. 46
a
CAPTULO 9:MLISS DE LAS SERIES TEMPORALES DE LA ECONOMIA REAL ESPAOLA 9 35-
40
20
0-
-20
-40
-60
-80
-100
65 70 75 80 85 90 95
IJOPE!.
Figura 9. 47
80
40
-40
-80
-120
70 75 80 85 90 95
NOPC
Figura 9. 48
5 004
4 002
3 000
2 -0.0 2
-004
55 60 65 70 75 80 85 90 95 55 60 65 70 75 80 85 90 95
UPC CLflC
Figura 9. 49
12 0.12
11
0.08
4.
10
0.04
9
0 00
8
-0,04
7 a
6 -008
70 75 80 85 90 95 70 75 80 85 90 95
LALP W CLAL?
Figura 9. 50 u
12 0.12
1
11
0.08
10 st
0.04
9
000 -- u.-
8
-0.0 4
7
u.
6 -0.08
70 75 80 85 90 95 70 75 80 85 90 95
Figura 9. 51
e
50
40 e
30
e
20
a.
10-
a
o
74 76 78 80 82 84 86 88 90 92 94 96 98
MIllER e
Figura 9. 52
Pp
9 37
-
CAPTULO 9:AJ4LISIS_DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA
Tabla 911
CONTRASTE DE INTEGRABILIDAD ESTACIONAL TRIMESTRAL
a
SERIE 2rfrO r3 ,r44 Fltro
~sfl
CLPIBT 99 84 00 853 64
CLVABAGR -6 O i089 08
Tabla 9.12
CONTRASTE DE INTEGRABILIDAD ESTACIONAL MENSUAL
SERlE ,t,4j lt?4 ~ ~ o ~ o ~ o Filtro
CLPARO -7.99 -26-Q 300? 31.04 59.53 (l+LXI+3~L+L>
ftp
Tabla 9.13
FILTROs LINEALES. SERIES TEMPORALES TRIMESTRALES Y MENSuALES1
DMIBOR -2 310
3267611
(2,3X1,0} 2.212127 2.859781 EDMIROR 296 ml
T: periodicidad muestral; 14: tamao muestral: CIS: Criterio de Informacion de SchawTz: pam la seno onguml; FER:
Error estndar de la regresin.
e
Test de No-linealidad
mt
Para detectar el carcter lineal o no-lineal de dicha dependencia temporal,
y como paso previo para poder utilizar los contrastes de no linealidad y el test
de Brock es necesario esturar el filtro lineal ARMA(p,qXP,Q) que mejor ajuste
mt
a cada una de las senes
e
9 - 39
CAPTULO 9:ANLISES DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA
la tabla 9.13 mostramos los rdenes de los filtros aplicados a cada una
En
de las series. El criterio de eleccin de estos filtros lineales ha sido la
significatividad de los parmetros y el criterio de Informacin de Schwarz.
Dc1rzBr e o-
-0.5 -o-a
z 1--
O l e, e,
e, e,
1 _ WLVARA~
8111 o..
~orqTnhIraaL4LH.ttnTwrAU LI ~ ~ CAP.
44
os ir
1 -- -
.4 u-. o e, o Ol e, M~ .4
e. -w u O In o a e, .~ t ~
.4 .4 t 04 el <a e, e, .4 .4 ~ el <1 t e,
Figura 9. 53
2 _ Isc
.~~wvAa~ __
o.
so
44 ~I.It4TnTn.4u ~, E 4
-o.s
1 . .. . -1.4 -.
.4
e,
~l
lo
-
e,
.4
ea
Cd e4
~
.4
-w
e,
.-. .4 .4 el e,
WLVIDC
O a O ~ -44~.4
1- -
.4 ~- o
.4 .4
lo
.4
e,
.4
el
e. el
~4
.4
e, e,
1 e,
.4
lo
.4
e,
.4
ea
04 04
t
C4
.4
e,
7
e,
Figura 9. 54
CAPTULO 9:NJL!SIS DE_LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 -40
0-
e.
.0
44 a
pu
-0.5
1
.4 u-. o e,<4 lo O, el e, 04 -4
e. y ~ <.1 lo e, 04 e, 04 .4 y .4 -.4 04 tI el ~
.4 .4 e. el 04 t e, u,
II,
o. a
-0.5 a.
1
.4 y t
.4
e,
<4
lo
.4
04
<4
<a
04
e,
04
04
tI e,
.4 pu
e,
1
-. r- ~ In lo 04 04 e, <4 .4 W
.4 .4 .4 .4 04 e. el e, e,
Figura 9. 55
S
a
1 DcT,ncr
0-
-so
I 1 a
44
-0.5 -o
z 1
.4 pu u-. o e, lo 04 t 19 <4 .4 pu .4 u-. t e, lo O~ <a t 04 .4
.4 .4 .4 .4 04 04 e, e, .4 .4 .4 .4 04 04 CI e, e, Sp
1 DCTPARO i.&Ro
OjjJJ o] Sp
0.5 I~3~l
e
1--- 1 5
.4 pu u--. O
.4
e,
.4
lo
.4
Cl ti
N
19
0<
<4
tI
.4
69
pu
e,
.4 -. u--. o
.4
e,
.4
lo
.4
04
.4
t<
04
e,el 04
t
.4
e, pu
Figura 9. 56
a
0. ~?] irirj~Wi~AL~~ -- -
a
6<0 h.dP~PoJl*4-loPuPwPI~3Pi
4
-os -o 5
1 ...-.
.4 pu
~
u-
- e,
--
lo
--
04 19 .4
1
.4 y u-. 0 04 lo 04 04 e,~I 04 -w
5:
.4 .4 .4 .4 e. 04 el e, e, .4 <4 .4 .4 04 el e,
WLUmr__ st
ee
.4
4 a
-0~5
1-
.4 pu u-- O
.4
e,
.4
0
.4
04
.4
04
el
e,~4 e,
el e,-1 y
e,
.4 5 e, O
.4
04
<4
lo
.4
04
.4
<a
04
e,
04
04
<a
.4
e,
pu
e,
a
Figura 9. 57
a
9-41
CAPTULO 9:4LISS DE LAS SERES TEMPORALES DE LA ECONOMA REAL ESPAOLA
1 1 CLc~A
o. 051
Mo
e.
.0
im.JI.,~,j
~n-n-r~rn~tNr1~CN
44 44 III.-.-
-0.5 -0.5
<4 pu <. O
<4 e,
.4 e.
lo 01.4 e.
04 19
04 04
<a .4
e, pu
e, .4 pu O
.4 69
.4 01
.4 04
04 19
04 Co
04 <4
e, 69
1 L~OWAC 1- -
011 srqjrdI1ii~pAItijj~iA
-o 5
I 1~ - -
-. pu ... O l~ o 01 04 19 .0 .4 pu O 69 lo 01 04 19 04 .4 pu
4 .4 4 <4 04 04 <a t 69 -.4 pu ~ ~ <4 .4 el el 04 e, e,
Figura 9. 58
IP
1
6<
4~ SPrP u~P
.34
6<puP
1 4 pu u-- O 69 lo O, 19 <4 4 pu
<4 pu O
.4
e,1 o
.4
01
.4
<6<
el
19
el
04
<a
.4
e,
pu
-1
.4 .4 .4 .4 ea el el e, e,
1 - -
1 - __
0.5 0.5
O o ~ PyP-Pfl~fl tP-P~P~P-P~-~---
0.5 --0.5
1 pu 3-. 0 69 lo 01
.4 y 1 O e, 0 Cl <a 19 <4 e. pu 04 19 04 4 pu
.4 .4 .4 .4 el el t e, e,
-4 1 .4 .4 <a el el e, fil
Figura 9. 59
1 __ ur~c
_ e
o- 5 0.5-
44 P
1flp*,~e,fl.pJ~papafl.-4.j-4
-0.5 -oS
I
pu t- O e, o 01 t~ 19 04 .4 pu .4 pu 3-. O 69 o 01 tI 19 04 4 pu
-.4 -4 .4 04 <a <a 4~ 0 .4 .4 .4 4 <a 0< el e, e,
1 ~ ___ ame iT
O. 1.rP+~469N4W~PIV~.N~PtL ~W~4~
0
-o--,
os
1-- - -
<4 pu u-. O e, lo 01 tI 19 04 4 pu
.4 .4 .4 .4 04 04 <4 e, e,
Figura 9.60
CAPTULO 9AJ4AL1515 DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA
9 42 -
1 -y
1-
anp *
OjIIII.~
-
4 -..lIIIIIIII mss
05 -o 5
1 1 - --
t~ e, lO 04 e. < 04 .4 pu
<4 pu N
.4 -4 .4 4 CI e. <a e, e, .4 pu 1~ 0
.4
69
.4
0
.4
01
<4
04
04 e.
<4
04
-t
69
pu
69
mt
1 -- C7M3_ 1 - - CLiC
u g..oo] mt
0j3.tLnL.~ u-
6<
.4
u
.4
~3333~3S JL
05 -o 5
1- 1 a
.4 pu tI
.4 .4
o
.4
O
4
ti
<4
t
e. el
.4
69
y
69
.4 .t 1. 0
.4
e,
-4
PO
.4
SI
.4
e.
04
VP
04
<4
e. .4
69
pu
0.3
Figura 9. 61
a
1 - 12a~ 1 mmon e
0.5 0.5
Ii
14 1 e
-0.5
1-
.4 pu <- O
.4 69
.4 0
.4 01
.4 04
el e.
t <4
04 .4
69 y
69
1--
.4
pu 1.. 0 69 lo O,
.4<4.4<4~elel69e,
.4
Figura 9. 62
Sp
-
CAPTULO 9:AijLISS DE LAS SENES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 -43
WLcLPZar_ 1 - FncLflsr
1 -
0.5 0.5
44
44
-0.5 -0.5
I
1 - - pu 3-- ~ 69 01 <4 19 <4 pu
.4 u- e, lo 01 e. 19 04 e. pu
<4 0 <4
<4 .4 .4 .4 04 e. 04 e, e,
<.4 <4 .4 .4 04 04 04 69 e,
1 - -
FflCLPIET CUAmADO 1 - PDCLPID? ~A~AD0 -
0.5 0.5
e.
ti
4 44
0.5 0.5
1--- - -- ~ - l - - -- -- -
ea04-
.4 pu u- t e, lo 01 19 Cl .4 pu .. pu 3-- 0
.4
69
lo
.4
Cl
.4
04.4 19
CI 04
04
4
69
pu
69
1 -1 <4 .4 04 <a 69 69
Figura 9. 63
1- - 1 - - JWLVABAGE
0.5- 0.5
ti
1> __________________ -.t ~ ~ +-.w.~-Pfl-P~Pg~flP.y
.0
*4 44
-0.5 -0.5
1 1
y N n lo 01 tI 19 <4 ~4 pu .4 y t4 69
.4 lo
.4 o~
.4 04
Cl 19
04 Cl
~4 0
~4 pu
69
.4 <1 .4 .4 CI ~4 <a 69 69
OS 0.5
ti
44 0~~d4-~4-L -------p--p---p-p-p--
1
44
0.5 -.0.5
1 1
y u-. 1 lo 01 <a 19 04 .4 pu .4 * u-. 0 69 lO 01 04 19 <4 <4 pu
.4 .4 .4 .4 tI 04 el 69 69 <4 <4 .4 .4 CI el CI 69
Figura 9. 64
- 1 --- - -- -~ --- - -
0.5
ti
u
gO
4
0.5
1-
1
.4 y u- 0 19 lO 01 04 19 <4 .4 pu
.4 .4 .4 .4 <4 04 69 e,
0.5,
0.5
u
2 ok+
1 ~ O P+.4 ~---*~-P~pP~t-4 - -
*4 e
44
19p4p4sp.
-0.5
1
u-- -Isp
4 pu 0
.4
l~
.4
lO
-. ea 19e.
01 04
<a
.4
e,
pu
69 .4 y 3--
-~ -~ ~ii pu
u,
Figura 9. 65
FDCVASC
1-- -
o -5- 0.5
ti
44
u
-0.5 -0.5
1 - x -.4 pu 0- 0 69 lo 01 tI l 04 4
pu 1.- lb 69 0 Cl <4 lo 04 <4
4
<4 -.4 4 -4 e. e. <a 69
pu
69 4 4 4 .~ O e. e. 69 69
0.5 0.5-
Sp
ti
6<
e.
tio ~
44 44
-0.5 -0,5
1 - - 1-4 - mp
.4 u-- 0 69 lO 01 tI 19 04 <4 pu y 0- 0 69 o 01 <4 19 <4 ~4 pu
<4 .4 .4 .4 e. ti el 69 69 e. .4 .4 .4 04 e. e. 69 69
Figura 9.66
e
1 -- - >wv:aas
1-
e
0-5
0.5
0-- 1 -. - .-a4
e.
O ~r--~r-~-~- ~
44 . .
0.5 0.5
e
1 ---- - -- -
.4 pu 3-- 0 e, lo 04 04 19 04 .4 pu pu 1- 0 69 lo 01 <1 19 04 pu
<4 .4 .4 .4 0< 0< ej e, 3-<
4
<4 .4 .4 .4 <4 e. <4
u-4
69 69
a
1 -- P~VABS_GUArEADO 1 - PWUBS CUArEADO
0.5- 0.5
04 e.
6< QS p--pp.p--4.-.p----p.-.. - - .~.-., . - p
44 44 e
-0-5
1- - --- - 1
.4 pu 0- 0 69 o Cl O 19 04 4 y 4 pu t~ O e, lo 0% <.3 19 04 .4 pu
4 <4 tI 0< <1 69 69 .4 .4 .4 .4 04 ti ti 69 69
.4
e
Figura 9. 67
e
1 -- -
1--
05~
0.5[
6<
u ~ ~-~-~---A. tP
6<P-IW,WP%+P~loPPPPLP-.
u- 44
44 - E
0-5 -0.5
e
~11
pu 3-. t 69 0 ti 4 04 pu
<4
.4 .4 .4 Cl 04 <a 69 e,
4 y 0- 0
<4 .4
0
.4
O
.4 e.
<1 VP
04 04 69 e,
ti
o 0 Ii
1
+p,,ip...~..--~..4,..-.,p-.p-.-.p p. +-P+ p-.--+#-4 4p---+-~.
e.
6<
4 44
Sp
-0$ 0.5
1 ~ - - - --- --
1~4 pu 3-. 0 69
.4.4.4
o
<4
tu
el
19
<-4
04
<a
4
69
pu
e,
.4 y 0- 0
.4
4
.4
lo
.4
01
.4 ea
<4 VP
el el 1 0
e
Figura 9.68
mp
CAPTULO 9:AJ~LISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 - 45
1
1 -- - _
0-5 0.5
0 ~~p-.p, .1..
tui.
44
-0.5 0.5
1--- -
1- -
<4 pu u-.. O .1 o Cl D 19 04 .4 pu ~ pu
0
-t
69
-t
lO
.~
01
<4
e.<4 19
e. 04
e. .4
e,
pu
e,
.4 .4 4 04 <a <a 69 69
0.5- 0.5-
e.
ti O
I~,-,L--~pys
t.--.-.p~ J,. ~
44 14
05
-VA
1- -
.4 pu 0- 0
.4
69
.4
lo
.4
01
.4
tI
<4 e. 04
el .4
69
pu
69
1
.4 pu u-.. O
<4
69
.4
lo
.4
Cl
.4
04
D
19
<1
04
Cl .4
e,
pu
69
Figura 9. 69
JWLPARO
FLPARO
1
0.5
ti
e
M
4
o
-0.5 0.5
1--- 1
4 pu 0- 0 69 lo 01 Cl 19 04 4 y
.4 pu 0- 0
.4 69
.4 o
.4 01
.4 04
Cl 19
04 04
0< ..1
69 y
<-1 .4 .4 .4 4 Cl <4 e. e, e,
0.3 0.5-
44
0 IIatntItIJIIIIIn.aJlItninn-Lm 0 I.-. s~p-5-..I4L ~
-o 5 -05
1-t ~ 1
0- 69 lO 01
<4 pu 0
.4 .4 .4 .4
Cl
1 e.19 04
ea .4
e,
pu
e,
Figura 9. 70
1 -____ FWL1P13~AL 1-
0.3 0.5
- e.
ti o ~p~~pIp-
4~p-p,pp ~Pyl ptip~
- -. 1
44 44
0.3 0.5
1- 1 -
.4 pu 0- .4 pu 0- 0 69 0 04 t 6<1 04 .4 pu
.4 .4 .4 .4 Cl ea el e,
rnCL1PI~AL GUAU~ADO
1 FDCLIP1~AL CUANtAflO 1
0.5
u
oti O
- ti -1~..-..
.4 44
-0.5 -0.3
1
u-.. lo O, tI 19 04
4 pu e. 0
.4
69
.4
lo
.4
Cl
.4
ea
Cl
6<1
0<
04
<a
.4
e,
e,
4 y 04
4
0
.4 4 .4 ea el e. .4
e,
pu
u,
Figura 9. 71
CAPTULO 9:ANL,sS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9-46
1 -
FDcLIPmE FrLIPmE a
1
0.5- 0.5
0 . --E
44 44
a
-0.5 -0.5
1 1 -
pu 6< lb 69 lo O, (4 19 01 4 y 4 pu 0- lb 69 lo Cl <4 19 04 .4 pu
.4 .4 <4 .4 Cl <t ea 69 e, .4 .4 <4 .4 04 <4 e. 69 e,
e
PVCLIPmE CUADRADO
1 -- -
EWL IP Zar CUADRADO
0.5 0.5-
e
ti
uti y
___
-
e.
ti O ~--~- -r- ---pr--~-.-- npu - ~
*
44 44
-0.5 -0.5
1 -- mp
1 - <4 pu 0- 0
.4
9
.4
lO
.4
O
<4
O
<4
19
e. 04
el
4
69
pu
69
4 pu 0- 0
.4
69
-4
lo
<4
01
.4
e.04 19
e. 04
e. .4
69
pu
69
Figura 9. 72
e
ww~ 1 -
1
a
0-5-
0.5
e. ~ A ,..p~ApE ~ ~
-- -- - -I ti
44
-0.5
-0.5
ml
1 - 1
<4 y 0- 0 e, lo 01 <a 19 01 .4 y <4 pu 0- 0 69 lO O, Cl 19 <4 .4 pu
.4 .4 .4 .4 .4 el <a 9 69 <4 .4 .4 .4 D e. 0< 69 69
a
1
- - - - PCZ~ CUAmAW
0.5-
0.5
ib
uti O
5~~A-~-~
a-
44
-0.5 0.5
1
.4 pu 3-. 0
<4
69
~1
lo
.4
Cl
.4
<4
04
19
04 04
tI
4
69
y
69 -1- .4 pu 0- 0
.4 e,
4 lO
.4 01
.4 ~ -e.04 69
~4 69--]
pu
e
Figura 9. 73
sp
1 -
PDO CAC - 1- B2~CLCAC
0.5-
0.5-
np
ti o t~~ -
eO ~
-ti PrP-Py....yPr
44 - 44 -
-0.5 -0.5
e
1 ______ pu 0-
<4 .4 .4 <a
Cl 19
<-4 04
el 4
69 y
9
1 - IWLOC WADRADO a
rriac cu*r_ __
a
0.5 0.5-
lb
6<
~ - e.L.. - ____
44 -
mp
-0 -tk5
mp
Figura 9. 74
e
9 47
-
CAPITULO 9:ANLISIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA
1 -- 1
0.5 0.5-
O ~ )r -r r- ti -e-u
44 1
--0.5 0.5
1-
<4
-
pu 0- lb 9 lo 01
Cl
-~
19
-
<4
-
<4
-~
pu
-
-1
(4 pu u-.. lb e, lO 01 04 19 <4
e. .4 -.4 4 el e. <a 69 e, 4 .4 .4 .4 01 <4 <a
1 __ i~Z~
1 !~WZ~ 0VA~ADO
0.5- o.5
ql ~
44 44 -
-0.5 0.5
1-- - 1 --
.4 pu 0- lb
<4
(1
.4
lo
.4
0%
.4
tI
<a
19
e.
<4
0<
.4
69
pu
9
.4 pu 0- lb
4
e,
.4
lo
.4
01
.4
e.04 19
01
0
e.
e.
69 9
Figura 9. 75
1 - - FL~PD1 1 -
0.3
0.5
6< e
ti O -
o ~p.LL...pt. -rs~ ---J-pyp~..gpflp ~ ~ 44
4
-0.5
-0.5
1 .
.4 pu 01 0 9 lo SI <a 19 <4 ~4 pu (<pu 0-
4 .4 .4 .4 el ea <a 69 69
0.5- 0.5,
O -o ia
44 - 4wA ..pUjp-.. -.13
p,p -- j P pp-.p,..pp
0.5
0.3
1 --
~4 u-.. 0 9 44 01 tI 19 04 .4 pu -1
pu
.4 o4 4 .4 tI e. <a 69 9
<4 pu 0- lb 69 lO 01 <a 19 <4 .4 pu
(1 4 .4 .4 Cl e. el 69 9
Figura 9. 76
1 - -- ____ 1-,
0.5- 0.5-
ti
u6<
-
u e
ti o
44 44 -----u-
0.5 -0.5
1--
pu -2- -~ Cl
.4 pu 0- 0
.4 4
lO
~l
Cl
<4
0<
04
19
<4
04
04
<4
69 69
~4 pu 6<.. lb o <a 19 04 .4 pu
.4 .4 .4 .4 el <4 <ti e, e,
u
o~ O ppp4p..sIp. ..S.t. 1. frto-.+~----~~6<--
.3.4
II
-.t~..
________
- _______
____
44
04
0.5
1- -
.4 pu u-.. 0 0 0 01 06< l 04 4
1-- _______ <a el tI 69 u,
.4 pu o.4 u,
.4
ti
.4
Cl
.4
(ti
<a
19
tI
04
04
<4
e,
e,
<4 .4 .4
Figura 9. 77
CAPTULO 9:N~LIsIs DE LAS SERES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9-48
YCLWC
1
3.5- 0.5-
ql
o ~ e.
ti o ~ a.--
44 44
0.5 -0.5
1 1
e.e.
--
pu 0- lb 9 0 01 19 0 ~4 .4 pu 0- lb 69 lo Cl 04 19 <4 4 y
4 .4 <4 Cl 0< 69 19 .4 4 .4 .4 04 e. e. 69 69
u
0.5- 0.5
ti
uti Op. --4.--- -
e.
ti O-M .~.-~ .------ - --
44 44
0.5 -0.5
e
1 ---- - 1
0- lb 69 lo 01 t~4
4 pu
.4 .4 . e. e. e.
19 <4
el
4
e,
pu
69
4 pu 0-
Figura 9. 78
mp
FCLALP
1. - 1 FtI.ALP
al
0.5- 0.5
ql
ti
- e. ~
ti
44 44
0-5 -0.5 a-
1 1- --____ - - -
-4 -y 0- lb 69 lo Cl 0< 69 0 4 y .-4 -y 1- 0 69 o SI ti VP O 4
-4 .4 .4 <4 0< Cl <1 69 ~9 .4 .4 .4 .4 e. <.4 Cl e, 69
e
1 --
JVLALP CUADRADO 1 BVIALP CUSU~ADO
0.5 0.5
ql
o
ti 0p+---+ +----p------
e.
ti
-, -pp-p -,..Lp. p - e
44 44
-0-5 0-5
Figura 9. 79
e
0.5 0.5
e
ti
uti -
-
E-
-u ~ e.
-- u -. -.
44 1
0.3 -0.5
mp
1 --
.4 pu u-- lb
.4
69
.4
te
.4 2 Cl 19
e. 0
<a
4
e, 69
e. ,p--p---- -+ - ~ --9
44 44ti
0. 0.6
It y
4 pu 3-.. 0 69 o <a 19 04 .4 y
.4 .4 .4 <4 el tI e. u, u,
e
Figura 9.80
a
CAPTULO 9*~ALSIS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 -49
1 1
0.5 0.5-
ql
a
ti O ~*,rr ~ ~ ~
44
0.5 0.5
1 1 -
4 pu 0- 0 e, lO O, tI 19 0 .4 <4 pu 0- lb
e,
~4
lO
.4
0%
4
14
CI 19
<ti
04
04
4
69
pu
<4 --4 <4 .4 <-4 el el 69 69
0.51 0541 a
ql
u o
144
1 0.5 0 5
1 - -- - - 1
pu 0- lb 69 lO Cl 4 19 04 -4 pu 4 pu u-- lb 69 lo Cl <-4 19 04 .4 pu
-4 .4 .4 e. e. e. 69 9 4 <4 .4 <4 <-4 tI tI 69
Figura 9. 81
Tabla 9.14
Test ARCH-LM de Engle
S N E N
SERIE E NR SERIE E NR SERIE E NR
- a
FDCLPIBT -60046< -000P FDCLPARO 7232416< 6153296< FDNCPR 210476< 20l62
Tabla 9.15 e
Test RDS
r m2 m=3 m4 m=5 m6 m7 m4 m9 m)O mt
0.104% -1.180 -0.649 0.443 2.583 2.210 2.178 -1.649 .1.295 -1.038
E
-4 (1149% -0.401 0.194 1.238 2.137 2.237 2.640 3.911 4.611 5.753
0.215% 0.339 1.040 1.647 2.222 2.763 2.991 3.381 3.537 3.63q e
0.311% 0.657 1.575 1.665 1.967 2.072 2.006 1.918 1.752 1.690
~ (1367% 0.436 0.641 0.598 2.956 4.209 9.824 20.076 44.417 91.434
(1529% 0.260 0.160 0.247 0.750 1.904 2.487 3.602 4.074 5.556 Sp
(1 764% 0.094 -0.260 -0.893 -0.663 -0.471 -0.308 -0.008 0.376 0.615
~- 1.101% 0.009 -0.344 -0.982 -1.137 -1.120 -1.096 -0.990 -0.836 -0.740
a
~ 0.183% -0.827 -0.710 0.606 0.696 -2.173 -2.762 -2.122 -.673 -.347
~ 0.263% -0.192 0.049 0.393 0.411 -0.363 -1.848 -2.488 -1.984 -1.615
0.380% -0.620 0.099 0.288 0.479 0.396 0.356 -0.043 0.194 -0.410
e 0.548% -0.266 0.165 0.021 0.402 0.638 0.788 0.603 0.430 0.532
e
0.236% 5.735 6.874 7.961 8.897 10.774 19.383 23.090 35.179 -1.367
.c (1341% 5.341 5.442 4.899 4.868 5.061 4.282 4.192 7.630 14.205 e
d (1491% 3.507 4.807 5.228 5.193 4.942 4.935 5.590 6.625 7.693
C 0.708% 3.151 3.836 4.278 4.309 4.439 4.671 4.616 4.649 4.805
(1103% -0.002 -0.198 -0.688 -0.981 -2.044 -2.320 -1.777 -1.397 -1.121 e
-< 0.148% 1.032 0.735 0.758 0.139 -0.640 -1.624 -1.632 -1.813 -1.474
d 0.214% 1.342 1.677 1.950 1.976 1.711 1.577 1.568 1.720 1.439
e
0.309% 1.304 1.788 2.022 2.128 2.110 1.948 1.820 1.869 1.726
0.653% 3.580 2.982 2.397 1.306 0.744 -3.905 -3.012 -2.386 -1.930
0.942% 2.313 2.917 2.761 1.989 1.576 -0.916 -3.751 -3.007 -2.461 e
1359% 1.806 2.197 2.065 1.632 1.459 1.445 1.183 .778 2.011
C 1.960% 2.034 2.379 2.454 2.387 2.409 2.448 2.568 2.855 3.122
~, 0.273% 2.551 4.895 6.090 9.764 16.897 29.246 51.602 90.119 106.981 mt
C.4
~ (1394% 3.809 6.428 8.165 10.710 15.259 20.466 28.369 37.387 47.944
-4
~ 0.569% 3.366 5.620 7.041 8.631 10.686 12.508 15.069 17.875 22.232
o e
~L 0.820% 2.766 4.100 4.558 5.009 5.668 6.239 6.860 7.445 8.240
1.131% 12.236 15.396 19.287 23.609 30.268 40.606 58.415 86.114 126.240
1.632% 12.115 14.816 17.603 20.752 25.284 31.478 40.915 53.733 71.115 e
e 2.353% 1.619 13.751 15.653 17.646 20.262 23.660 28.092 33.515 40.194
~ 3.394% 9.673 11.393 12.675 13.788 15.116 16.564 18.118 19.948 22.003
~ 1.446% -0.298 0.172 -0.035 1.348 2.508 2.450 7.436 12.801 20.489 e
t~ 2.086% 0.143 0.429 0.633 0.901 1.065 0.503 0.555 -1.073 -0.851
o
3.008% 0.539 0.662 0.927 0.903 0.185 0.744 0.501 0293 0.450
E 4.338% 0.673 0.811 0.862 0.803 0.969 1.184 1.212 1.118 .218 mt
3.449% -1.425 -.100 0.599 0.664 2.039 2.756 8.953 17.554 11.693
o- 4.974% -1.096 1.261 0.032 0.446 0.617 1.279 2.348 4.558 8.894
-4 mp
u 7.174% -0.943 -1.124 .0.396 -0.349 0.000 0.604 1.267 1.892 2.423
o
0.347% -l.011 -1.034 -0.470 -0.320 -0.118 0.187 0.471 0.805 0.999
mt
a
CAPTULO 9:MLISS DE LAS SERIES TEMPORALES DE LA ECONOMA REAL ESPAOLA 9 - 51
2.282% 4.374 5.866 6.842 6.671 6.727 6.271 5.404 4.221 7.286
t
~ 3.292% 3.796 5.239 6.095 6.338 6.204 5.888 5.531 5.275 5.550
O
.4
U) 4.748% 4.033 5201 5.951 6.332 6.276 6.078 5.977 5.887 6.075
6.847% 4.165 5.625 6.293 6.616 6.570 6.468 6.391 6.297 6.425
2.892% -0.925 -0.438 -0.103 1129 3317 10.368 18.386 29.213 43.310
U>
<
O 4.171% -0.760 -0.505 -0.150 0.501 1.855 3.757 5384 7.974 10.750
.4
~ 6016% -0.7>0 -0.452 -0.035 0.394 1.309 2.156 2.857 3.820 4.626
& 676% -0.475 -0.269 0.019 0.207 0.661 0.921 1.061 1.224 1.442
0.158 66.786 113.498 193.009 341.240 655.029 1372.443 3027.088 6897,832 16304.84
U
~ 0.228 64631 88.380 127.821 191.110 300.888 506.491 890.506 1606.6962985.311
.4
~ 0.329 60.309 64.581 80.973 03.123 136.036 186.551 263.956 378.676 551.615
0.475 47.015 43.195 45.940 51.413 58.356 67.597 79.197 92.942 109.503
4.032 4.863 7.165 8.444 8.809 9.575 9.991 11.077 7.414 1.315
o- 5.815 4.605 6.810 8.100 8.494 9.000 9.708 >0.831 11.998 13.085
U)
2
~ 8.387 4.340 6.375 7.397 7.838 8.195 8.859 9.454 10.057 10.765
12.096 4.367 5.758 6.360 6.674 6.900 7.221 7.426 7.704 8.020
9.274 2.307 4.187 4.866 4.900 4.114 3.629 0.669 -2.954 .2.414
U>
13.375 2.103 3.743 4.239 4.714 4.590 4.528 4.416 5.823 6.339
2
e 19.291 1.890 3.014 3.330 3.460 3.527 3.998 4.619 5.238 5.807
27.822 1.061 2.084 2.524 2.644 2.765 3.079 3.576 4.127 4.639
0.254% 3.6>0 6.761 10.684 6.299 26.321 41.134 67.752 6.874 215.794
. 0.366% 3.396 5.631 8.079 11.608 16.998 23.966 34.680 52.532 81.211
.4
~ 0.528% 3.193 4.417 5.708 7.275 9.188 11.118 13.997 18.067 23.532
0.761% 3.367 3.668 4.161 4.925 5.714 6.371 7.304 8.303 9.382
(1218% 0.604 .0329 -0.204 -1.893 -0.590 0.116 -0.879 .598 -3.011
tt (1314% 0.835 0,318 0.621 0.601 0.721 1.012 1.034 -0.164 -1.821
.4 (1453% 03)45 0,416 0.158 0.398 0.584 1.086 1.328 1.133 1.001
0.653% 0.837 0.597 0.149 0.104 0.286 0.789 1.174 .324 1.362
0.221% 0.182 -0.019 -0.814 -2.914 -3.720 -3.385 -2.353 -3.335 -2.735
. 0.319% 0.872 0.612 0.281 -0.277 -0.165 0.654 0.762 0.312 -0.861
.4
~ 0.460% .151 0.833 0.569 0.500 0.435 0.581 0.571 0.453 0.639
0.663% .377 0.918 0.608 0.522 0.509 0.653 0.725 0.685 0.835
1.413 11.574 16.444 22.962 33.077 48.649 72.779 110.376 171228 270.970
4
4 2.038 10.493 13.574 16.610 20.281 25.522 32.105 40.852 52.772 69.548
4 2.939 8.864 11.132 12.991 14.683 6.802 19.273 22.116 25.454 29.827
4-
4.239 6.419 8.386 9.307 10.146 10.921 11.914 12.794 13.634 14.709
Estadstico BDS para el contraste de a hiptesis nula lID para valores de r entre 0.5 y 1.5
veces la desviacin tiples de las series temporales. El estadstico BDS se distribuye como una
N(0,1) a una cola.
Para el resto de series consideradas o bien los resultados no son del todo e
concluyentes series PIBT, VABAGR FBCFBE, IPIBE, CAC o bien no
permiten rechazar que los filtros lineales aplicados constituyan un verdadero
ruido blanco VABJSC. VABS, IPIGRAL. ALP y M3. e
Tabla 9.16 e
Anlisis R/S
SERIE H A-LL SERIE H A-LL SERIE 11 .4-LL
a
FDCLPIBT os; 1118 FDCLPARO 0428 43183 FDNCPBI 0594 473!
FDCLVABGR - 0.619 -2470 FDCLIPIGRAI. 0793 49.883 FDNCPC 0.511 29604
FDCVABISC 0.594 -5.144 FDCLIPIBE 0.682 24.243 FCLIPC 0.46! -61 942 a
FDCVBC 0.593 -5.205 FCLCGA 0520 -32.860 FCLALP 0.460 -46 384
e
CAPTULO 9:A,~LSlS DE LAS SERIES TEMPORALES DE LA ECONOMLA REAL ESPAOLA 9.53
Tabla 9.17
Exponente de Lyapunov Dominante. Algortimo LENN
Series Originales estacionarias
t m k EER CIS A
CLPIBT 5 6 4 0.01109 -2.0812 0.039
CLVABAGR 1 8 1 0.04869 -1 .2695 0.013
CLVABISC 4 6 3 0.02084 -1.5113 0.035
CLVABC 5 8 3 0.01035 -2.2109 0.051
CLVABS 6 6 4 0.02106 -1.4401 0.112
CLFBCFBE 5 8 3 0.0207 -1.518 0.089
CLFBCFC 4 8 3 0.01428 -1 .8895 0.139
CLPARO 1 8 2 0.03873 -1.6538 -0.026
CLIPIGRAL 6 2 1 0.2 1389 -0.0674 -0.023
CLIPIBE 6 2 1 0.21591 -0.0579 -0.041
CLCGA 1 3 8 0.40661 0.8169 0.214
CLCAC 1 8 3 0.18475 -0.0066 -0.007
CLCEE 1 7 2 0.11993 -0.5641 -0.007
NCPBI 7 6 2 0.81941 1.3621 0.06
NCPC 1 4 1 0.85557 1.3259 -0.391
9 5 1 0.49428 0.7724 -0.016
1 8 4 0.36443 0.8015 0.032
1 8 5 0.33581 0.8153 0.157
MiIBOR 1 7 7 0.20349 0.5971 0.174
retardo para la reconstruccin; ni: dimensin de inmersin; k: nmero de riodos en la capa
-y:
e
Tabla 9.18
Exponente de Lyapunov Dominante. Algortimo LENN
Test residual de Brock (Filtro Lineal) mp
mk EER CIS A
DCLPIBT 1 6 2 0.57185 1.4259 0.595
DCLVABAGR 6 8 2 0.47982 1.3836 0.332 e
DCLVABISC 5 8 2 0.50846 1.4092 0.228
DCLVABC 2 4 ~ 0.70672 1.4845 0.055
-DCLVABS 6 4 ~ 0.71889 1.5016 0.159
DCLFBCFBE 1 8 2 0.52753 1.446 0.483
DCLFBCFC 3 3 1 0.89535 1.4989 -0.818
mt
DCLPARO 3 5 5 0.65484 1.2906 0.067
DCLIPIGRAL 5 3 1 0.94667 1.4386 -0.499
DCLIPIBE 4 4 2 0.81704 1.3634 -0.113
a
CLCGA 7 3 2 0.9084 1.4028 -0.113
DCLCAC 8 7 1 0.9354 1.4412 -0.023
DCLCEE 1 8 1 0.90755 1.4069 -0.492 mt
DNCPBI 1 5 2 0.8528 1.3853 -0.268
FDNCPC 6 5 2 0.88011 1.4305 -0.037
CLIPC 3 7 2 0.84447 1.388 0.024 u,
CLALP 4 4 1 0.92958 1.4181 -0.418
CLM3 4 4 1 0.92158 1.4097 -0.403
DMIBOR 1 3 8 0.40058 1.0241 0.257 0<-
r: retardo para la reconstruccin; vn: dimensin de inmersin; k: nmero de
nodos en la capa oculta; EER: Error estndar de la regresin; CIS: Criterio de
informacin de Schawrz: A: exponente de Lyapunov dominante e
Op
mt
u,
mt
e
Capitulo 11- Conclusiones ~p~a~g11
CAPTULO 11
CONCLUSIONES
E
Capitulo 11: Conclusiones PaQ 2
mp
Ca0itulo 11: Conclusiones oa. 3
a,
mt
Sobre el Equilibrio Econmico vs. Equilibrio Dinmico
e
Capitule 11 Conctusones pa. 5
Comenzando con la teora del crecimiento, hemos visto como mientras que
el modelo de Harrod-Domar presenta situaciones de equilibrio inestable para
justificar las politicas de demanda de corte keynesiano, en las aportaciones
neoclsicas del crecimiento exgenopermiten deducirlas condiciones necesarias
para alcanzar un equilibrio estable en el que se elimina la necesidad de
intervencin pblica mediante polticas estabilizadoras. Bajo este enfoque, slo
las polticas de oferta que mejoren la productividad global de la economa
tendrn efectos positivos sobre el crecimiento a largo plazo (poltica de la
competencia, flexibilizacin del mercado de trabajo, reforma del sistema
financiero, polticas educativas, tecnolgicas, de infraestructuras, etc.). En
ambos modelos, sin embargo, las tasas de crecimiento a largo plazo vienen
determinadas de forma exgena a la propia dinmica del modelo -
Captulo 11: Conclusones na 6
e
CaoituIO 11 Conclusiones
Una de las prncipales crticas que se han hecho a los modelos con
comportamiento catico es la plausibilidad econmica de los valores que deben
tomar los parmetros de control de estos modelos para que sus soluciones
describan comportamientos caticos1. Los supuestos sobre el sentido
econmico de dichos parmetros van siendo ms plausibles con el nmero de
grados de libertad de los modelos, es decir, el valor que deben tomar los
parmetros parece forzado tambin por el hecho de que se est forzando el
modelo para que presente pocos grados de libertad. De hecho, estos modelos
no se presentan tanto como posibles modelos que representen la verdadera
dinmica econmica sino como una nueva posibilidad que hay que tener
presente a la hora de disear y analizar los modelos de dinmica econmica con
los cuales se puede explicar de manera endgena ciertas particularidades
cualitativas observadas en la evolucin de las economias reales
A modo de resumen las vias por las que pueden aparcer comportamientos
caoticos (Brock y Dechert, 1991):
Por ejemplo, en el caso del modelo unidimensional. es necesario un fuerte efecto renta,
mientras que en el caso 2-dimensional de generaciones solapadascon produccin las
soluciones caticas aparecen incluso cuando ocio y consumo futuro son sustitutivos brutos.
r
mp
economa en tomo a esa tasa de crecimiento a largo pazo. Este objetivo viene
influenciado tradicionalmente, de nuevo, por la teora existente para explicar el
crecimiento econmico, que como ya comentamos es incapaz de explicar mt
evoluciones ciclicas, peridicas o caticas, ya que todas ellas se limitan al
anlisis de modelos esencialmente lineales que solo permiten la aparicin de
soluciones del tipo punto fijo. En el terreno de la politica econmica esta visin e
mt
Cepftulo 11: Conclusiones PQ 9
Se sigue utilizando modelos tericos para que sirvan de base para la toma
de decisin. En este caso, los modelos utilizados son los que presentan
comportamientos caticos, por lo que a la hora de disear las polticas
econmicas habr que tener en cuenta todas las limitaciones asociadas a estos
sistemas. As la eficacia de la poltica econmica se ve limitada por la existencia
de sensibilidad a las condiciones iniciales, lo que agrava el problema de los
retardos de la poltica econmica, desestimando la utilizacin de polticas
activas.
Por otro lado, el control del caos puede ser contraproducente para mejorar
e
el crecimiento econmico a largo plazo. Esto est relacionado con la idea de
que el caos surge de manera natural cuando aumenta el dinamismo y flexibilidad
del sistema, propiciando igualmente la aparicin de circunstancian que
favorecen el crecimiento. Si se elimina el caos, se eliminan esos factores
determinantes del crecimiento econmico. Las alternativas por tanto sedan,
mayor crecimiento catico o mayor estabilidad sin crecimiento.
mt
e
Capitulo Ii Conclusor~es p~ 1
al marca pasos con el que se pretende eliminar o controlar las arritmias, ya que
la regularidad de la regla domina a las oscilaciones caticas del sistema, es decir,
el comportamiento catico se acopla a las oscilaciones regulares impuestas por
las reglas de poltica econmica.
mt
mt
mt
mt
REFERENCIAS BIBLIOGRAFICAS REF. 1
REFERENCIAS BIBLIOGRFICAS
Abarbanel. H.D.I.(1996): Analysis of observed chaotic data. Institute for
nonlinear Science. Springer-Verlag, Nueva York.
116.
Barnett, W.A.; Gallant, R.A.; Hinich, Mi; Jungeilges, Al.; Kaplan, D.T. y
lensen, MJ.(1995):Robustness of nonlinearity and chaos test to a
measurement error, inference method, and sample size. Jaurnal of
Economic Behavior and Organization, vol 27, pp. 30 1-320
u
Barnett, W.A.; Gallant, R.A.; Hinich, M; Jungeilges, Al.; Kaplan, D.T. y
Jensen, M.J.(1996):An experimental design to campare tests of
nonlinearity and chaos. En Bamett, W.A.; Kirman, AP. y Salmon, M.
(eds.)Nonlinear Dynamics and Economics. Cambridge University Press,
Cambridge, PP. 163-190.
mt
Bamett, W.A.; Gallant, RA.; Hinich, Mi; Jungeilges, Al.; Kaplan, D.T. y
Jensen, Mi (1997):A Singled Blind Controlled Competition Among test
u;
for nonlinearity and chaos. Journal ofeconomeric-s, vol. 77. pp.297-302.
mt
REFERENCIAS BIBLIOGRAFICAS REF 3
Box, G.E.P. y Jenkins, CM. (1970): Time Series Analysis: Forecasting and
Control. Holden Day, San Francisco.
Brock. W.A. y Baek. E.G. (1991): Sorne theory of statistical inference for e
nonlinear sciencey. Review ofEconomic Siudies. 58. 697-716
mt
REFERENCIAS BIBUOGRAYICAS REF. 5
Creedy, 1. Jonh and Martin, Vanee L. (eds) (1994): Chaos and non-linear
ModUs in Economics. Theory and Applications. Edward-Elgar.
Crilly, Al.; Earnshaw, R.A.; y Jones, H. (eds.) (1991): Fractals and Chaos.
Springer-Verlag
Day. R.H y Walter, J.L. (1988):Economic growth in the very long run: on
multiple-phase interaction of population, technology and social
infraestructure en Bamett, W.A.;Gewekw, J. y Shell, K. (eds.): Econo,nic
Complexity: Chaos, Buhbles and Nonlinearity. Cambridge University
Press, Cambridge, PP. 253-289.
u
REFERENCIAS BIBLIOGRAFICAS REF 7
Eckmann, IP. and D. Ruelle (1985): Ergodie theory of chaos and strange
attractors Reviews ofModern Physics. Vol. 57.no. 3. Pan 1, July 1985, Pp.
6 17-656
mt
REr Q
REFERENCIAS BIRLICGRFICAS
Franses. PH. (1990): Testing for Seasonal Unit Roots in Monthly Data,
Econometric Institute Repon no. 9032A. Erasmus lJniversity. Rotterdam.
mt
REFERENCIAS BIBLIOGRFICAS REF. II
Hidalgo,-l. Spectral Analysis for Bivariate Time Series with Long Meniory.
Econometric-Theory; 12(5), December 1996, pages 773-92.
Ka]dor, N.(1940):A model of the trade cycle, Economie Journal. 50, PP 78-
92
e;
REFERENCIAS BIBLIOGRFICAS REF. 13
Long, IB. y Plosser, CI. (1983): Real business cycles. lournal of Political
Economy, 91, Pp. 39-69.
Loretaz, E.N. (1995): La esencia del Caos. Un campo del conocimiento que se e
ha convertido en parte importante del mundo que nos rodea. Editorial
Debate, Madrid.
Lucas, R.E. (1975):An equilibrium model ofthe business cycle eta LUCAS.
R.E. Studies in Business Cycle Theory. Blackwell. Oxford, 1981.
mt
mt
REFERENCIAS BIBLIOGRFICAS REE. 5
Nefl
9i(1984): Are economie time series asymetric over the business cycle.
Journal of Political Economy, 92, pp. 307-328.
e;
REFERENCIAS BIBLIOGRFICAS
REF. 17
Peters, Edgar E.(1991): Chaos and Order in the Capital Markets: a New View
of Cycles, Prices, and market volatility. ionh Wiley & Sons, JNC.Nueva
York
Robinson, .1.( 1973): Ensayos sobre la teora del crecimiento econmico. Fondo e-
de Cultura Econmica. Mjico D.F.
mt
REFERENCIAS BIBLIOGRFICAS REF, 9
Stokey. N.( 1991): Human Capital, Product Quality, and Growth. Quarterly
Journal of Economics, Mayo, 106 Pp 587-615.
e
REFERENCIAS BIBLIOGRFICAS REF. 2]
White. H. (1989): Ata additional hidden unit test for neglected nonlinearitv in
multilayer feedforward networks. Proceedings of the International Joint
Conference on Neural Networks. Washington DC. Vol.2 IEEE Press.
Nueva York. pp. 451-455
mt
u;
mt
mt,
a.