En el presente trabajo se pretende mostrar la Serie de Fourier ( SF)

como una alternativa para estimar observaciones que no se encuentran

disponibles en nuestro conjunto de datos. Así, para empezar a indagar
en el tema, es necesario conocer ciertos conceptos básicos sobre la
Serie de Fourier. La familiarización de entrada con dicho tema, nos
ayuda a comprender, de una forma simple, las explicaciones de los
componentes de la SF sabiendo la función de cada uno.

En el primer inciso empezaremos por explicar conceptos básicos sobre

la Serie de Fourier. En el segundo punto explicaremos sus
componentes y que nos indica cada uno con el fin de realizar una
pequeña aplicación en la economía, en el tercer punto. Y por último
daremos algunas conclusiones sobre el tema.

¿Qué es la Serie de Fourier?

La Serie de Fourier es una herramienta matemática que nos permite

obtener información de una función determinada mediante una
transformación (donde entenderemos por “transformación” al proceso
que reduce la complejidad de una ecuación). Por lo tanto, cuando se
hace referencia a la Serie de Fourier ( SF), realmente hablamos de la
transformación que nos permite extraer información sobre la
frecuencia de un ciclo –puede ser cualquier función– cuando
conocemos sólo una parte de su comportamiento.

La idea intrínseca de la SF nos indica que cualquier función,

generalmente periódica, se puede aproximar por medio de funciones
simples sinusoidales . De forma que cuanto más coincide una onda
1

simple con el dato observado, más peso tiene en la determinación de

la función original. (Con este procedimiento es posible representar
funciones deterministas o de índole aleatoria.)
Con la SF se adquiere un cambio en el dominio de la función; al pasar
de la información contenida en una señal, al dominio en el tiempo,
para transitar al de la frecuencia y viceversa, de suerte tal que se
mejora el análisis de la señal (Carrillo, 2003). Así que las SF son útiles
en el estudio de funciones periódicas, aunque, desafortunadamente, no
aparecen con la misma frecuencia en la vida real como las no
periódicas.

No obstante, antes de continuar con el tema debemos mencionar, al

menos, la versión más intuitiva de una función periódica . 2

Formalmente, una función periódica cumple f(t) = f(t+T) para toda t,

donde T es la constante mínima que satisface la igualdad y se
denomina periodo. Asimismo, definimos a la frecuencia fr=T-1(inversa
de T) y llamamos “ciclo” a la parte de la función que abarca un tiempo
equivalente a un periodo T (usualmente 2π).

Dicho lo anterior, buscamos aproximar una función f de periodo

2π y N observaciones (xn ,f(xn)) con xn=2πNn,∀n=1,...,N−1 sub
intervalos equi-distribuidos en [0,2π] por medio de un polinomio r(x)
compuesto de funciones trigonométricas, de tal manera que el punto
observado f(xn) sea el mismo en el polinomio, i.e., f(xn)=r(xn).
Iniciaremos por definir qué es un polinomio trigonométrico:

Definición: Un polinomio trigonométrico de grado, a lo más, n es

cualquier función de la forma

Donde r(x) es una función periódica de periodo 2π, ie,r(x)=r(x+2π)

para toda x∈R con coeficientes
De (1) haremos las siguientes observaciones:eix=cos(x)+isen(x) y por
Moivre se tiene ei(kx)=cos(kx)+isen(kx), donde recordemos que para
todo c∈C c=a+ibt para todo a,b∈R y si adicionalmente en (1)
iniciamos la suma desde,entonces podemos reescribir a (1) como:

Con coeficientes

No debemos olvidar que r’(x) está compuesto por coeficientes

complejos, por lo que r’(x)=Re(r’(x))+Im(r’(x)) , además r x Re r’ x  y por
( )= ( ( ))

construcción tenemos la peculiaridad

de f(xn)=r(xn)=r’(xn)∀.n=1,...,N-1

II. ¿Cómo se utiliza la Serie de Fourier?

Antes de intentar utilizar la TF, debemos conocer cada uno de los

términos que la comprenden. Por consiguiente, empezaremos por
decir que N es el número de muestras observadas, n indica la
frecuencia que se quiere analizar y f(xn) se refiere a la muestra tomada
en el instante xn. Así, si desarrollamos la SF será más visible:

El desarrollo anterior nos muestra cómo f(x0),f(x1),...,f(xn) son las observaciones que

deseamos analizar dentro de la suma, para una K y N fijas. Donde queda de manifiesto
que n indica la frecuencia de estudio.
Para se k=0 vuelve evidente que el término c0=a0, es decir que la constante del
polinomio exponencial es igual a la constante del polinomio trigonométrico,
además c0 se obtiene al hacer la media aritmética de los valores observados indicando
así que es el término constante.
No es necesario trabajar con toda la muestra de datos observados; basta con tomar
0≤k≤N2 o bien N2≤k≤N−1 pues el valor de k=0 coincide con:
Por último, nos falta conocer el papel que tiene la expresión re−i2πnN
donde r es el modulo del numero complejo y −i2πnN es su argumento.
Además re−i2πnN=rcosi2πnN−iseni2πnN y el término n nos indica
que el número complejo va a estar girando en el círculo unitario
(recorrido de cada muestra) con velocidad angular 2π y saltos con
razón nN medido en radianes.
Por ende, el resultado de ésta expresión, representa la similitud de la
observación analizada con el seno y coseno de la frecuencia
dependiente de n, en donde la parte real representa la semejanza entre
las señales.
Conclusiones

Por una parte, la SF es un método más completo y más real que otras
aproximaciones obtenidas por métodos como mínimos cuadrados
ordinarios (MCO), promedios, entre otros; pues como comentamos a lo
largo del trabajo, ésta incorpora el comportamiento de las
observaciones, permitiéndonos observar tendencias y ciclos de los
datos. Empero, ese tema sobrepasa por mucho los alcances de este
artículo, por lo que se dejará para otro tema de investigación.

Por otra parte, la SF nos ayuda a conocer el comportamiento de

nuestros datos, por medio de una aproximación trigonométrica, pero
hay que mencionar que a una mayor cantidad de datos observados
mejor es la estimación realizada. En otras palabras, si el número de
datos tiende a infinito, entonces nuestro error tiende a cero, lo cual
podría ser un inconveniente a pesar de que el polinomio obtenido pasa
por los datos observados.

En adición, la aproximación realizada por medio de Fourier es un

método completamente determinístico, ausente de perturbaciones
aleatorias. Puesto que con el conjunto de datos establecido, siempre
obtendremos la misma reproducción a menos que implementemos una
variación al agregar o quitar datos de la muestra. Existen modelos
(AR(p),MA(q),ARMA(p,q),SARIMA(,p,q),ARCH(p),GARCH(p,q))
mucho más completos que toman en cuenta estas perturbaciones;
además de incorporar tendencias, ciclos, estacionalidad etc.; y que
utiliza la SF para estimar sus densidades espectrales para obtener
funciones de covarianza, así como la autocorrelación de los mismos.

Otro inconveniente a tomar en cuenta, es el costo en tiempo de la SF,

pues consta de la realización de vario cálculos y pasos (primeramente
para obtener los coeficientes de la SF y posteriormente a la hora de
obtener el polinomio). Afortunadamente, existe una versión más
eficiente en tiempo (Transformada Rápida de Fourier) con costo
comparativo en tiempo más bajo a la hora de realizar los cálculos.
Pero será analizado posteriormente.

Es importante mencionar el hecho de que toda función f puede ser

vista como una función periódica implementando el concepto de
“periodo de tiempo infinito”, el cual tiene mucho sentido al recordar
que un intervalo de longitud positiva es cardinalmente comparable con
R. De esta manera, no importa la cantidad de observaciones con las
que contamos (inclusive si son infinitas), pues a todas se les puede
incorporar en distancias de la misma longitud dentro de nuestro
intervalo de análisis