ESTADISTICA ESPAÑOLA

Núm. 91, 1981, p^gs. 23 a 52

Aplicaciones del espacio de H i lbert a la

estad ística
por FRANCISCO JAVIER URBELZ IBARROLA
Catedr^tico de Estadfstica
Universidad de Santander

RESUMEN

En este trabajo se estudian los axiomas para la formación de un

espaciu de Hilbert de natur•aleza estadística definiendo los elementos perte-
necientes al espacio comu funciunes, variables estocásticas u procesos
estocásticus, Se cumpletan las definiciunes de la operación interna de^nida
en los axiomas que en el casc^ de ser funciones, éstas deben ser de
cuadrado iniegrables; y en el de variables estocástieas, el axioma del
producto interno es una esperanza matemática.

Nu se estudian lus prucesus estucásticus, pero se comprende fácilmente

que lus elementos s^n prucesus y el productu interno son esperanzas
matemáticas euincidiendo con las funciones de covarianza.

Si lus elementos sun funciunes, toda la Teoría de las Funciunes Ortog^-

nales puede desarrullarse y una función de densidad puede converger en
media cuadrática en desarrullos cunucidus que se deducen corno casos
particulares.

Si los elementos son de naturaleza estucástica, son un conjunto de

variables estcx:ásticas, puede cunstruirse una base aleat^ria urtogonalizada
y toda variable distinta puede desarrc^llarse calculando sus coeficientes
regresures que son ias coordenadas de los elementos aleatorios ortogonali-
 ES7ADISTtCA ESPAÑO^.,A

tadus. Se estudian el hiperplanu, recta y plano de regresión como casos

particulares.

Finalmente, la distancia al cuadrado de la variable regresura sobre el

hiperplanc^ de regresicín, no es sinu la varianza residual y que es nuia
c;uando la variable regresora sea un puntu del hiperplano. En este caso la
dimensionatidad es la del subespacio euclideu.

Pulabrus clave: Espacio de Hilbert: funciunes urtugunales en el espaciu de

Hilbert; espacio estocástico de Hilbert.

1. INTR(JDUCCIUN

En este articulo expondrem^s brevemente el cunceptu de espaciu de Hilbert y su

fundamentación axiomática para dedicarnos, en principiu, a las aplicaciunes estadísticas
en sus dos aspectus: cuando !us elementus correspundientes son de naturaleza funcional
a estocástica.

En las aplicaciones funcionales trato, en principio, de las funciones ortoganales en

general y especialmente d^edico atención preferente a las funciones de Fuurier para,
entre otros, dem©strar la relación entre la función característica y su función de
densida+d.

Siguiendo ei mismo método de las funciones ortogunales (generalizadas respecto a

una función ponderativa o núeleo) estudiaremos, a título de ejemplu, algunos desarro-
llos sencillos, como sun los de Charlier y de Hermite.

De forma semejante pocirían construirse polinomios ortogonales, cumo sun lus de

Legendre, Thebychev, Laguerre, Hermite, etc., yue comentaremos brevemente.

La segunda parte de nuestro estudio, preferentemente la dedicamos al espaciu

estocástico de Hilbert. En esta parte puntualizaremos la métrica de este espaciu que,
como se verá, son esperanzas matemáticas.

Es importante la formación de elementos estucásticus urtunurmalizados; es decir,

construir una base y cualquier elemento de naturaleza estocástica representarlo en esta
base. La determinación de las coordenadas en la base elegida es similar a la de
naturaleza funcianal. Consecuencia inmediata es la posibilidad de representar una recta
o un plano de regresión por medio de la base estocástica ortonormalizada elegida, que
tiene la propiedad de ser mínima la varianza residual.
 APLrCAC[ONES DEL ESPACIO DE HILBERT A LA ESTADIST1Cw 2S

2. ESPACIO DE H 1LBERT

2.1. AXIUMÁTICA

A finales del síglo pasado se estudiaron las propiedades primarias de matríces. Los
métodos de Algebra Lineal estudian los conceptos de espacios y se aplican a sus
transformaciones, formas de operadores, proyectores, etc., aunque, como dice Mált-
sev (*), el objeto del Algebra Líneal es eI estudio de las «matrices, espacios y formas
algebraicas, cuyas teoñas están estrictamente vinculadas» .

Son inmensas las aplicaciones a la Estadística y a la Econometría y he creída

necesario dedicar estas breves páginas en farma elemental al estudio de los conceptos
básicos de los espacios de Euctides y de Hilbert, para después apliearlos a la Estadts-
tica.

En los espacios abstractos se denominan elementos a un conjunto de puntos,

^^uriubl^s estuc•c^sticUS, vectures, func•iunes que gozan determinadas propiedades, que
se establecen como axiomas o postulados. Particularmente importantes son los espacios
euclideo -de n dimensiones--- y el espacio de Hilbert, de in^nítas dimensiones,

Sintetizaremos la axiomática para ambos espacios, representanda por H el espacio

de Hilbert o euclideo --,n dimensiones--; pero cuando expresamente nos referimos al
euclideo, representaremos el espacio por Hn, indicando el subíndice la dimensionalidad.

I. AXIOMA DE GRU PO

Dadus dus elementos pertenecientes al espacio x, e y E H está definida la operación

adición, cun las propiedades de poseer el elementu neutro, e1 simétrico (la operación
adición es conmutativa y asociativa).

I l. AXIUMA DE LINEALI DAD

Para tudo x E H y para c ualquíer número completu está definida la operación

producto cx u c• x, que goza cc^n resp+ecto a la adición de ser distributiva a derecha e
izquierda, y en cunsec uencia, si .x, y^ H, c• (x + y)= c•x + c•y E H; c(dx) _(cd )x E H,
donde c y d son números esealares cualesquiera. EI producto por 0 y 1 son: Ox = 0,
i • x = x.

(*) A. I. Máltsev: «Fundamentos del Algebra LinealN, pág. 12, Editorial Mir. Moscú, 1972.
26 ESTAiDIST I^CA F,SPA1401.A

lll. AXIt}MA Mf~.TRICO

Se define una uperaci^n interna (también denuminada pruducto interno) con las
siguientes propiedades:

Si x, y E H denominamos producto interno al número compleja (x, y}, que cumple

las siguientes condiciones:

(x, y } ^ ( y. x }
(ax, y)= a( x, y) a un escalar cualquiera.
(x + y, ^ ) - (x. z ) + (y, w } [1)
(^rx + by, ti)= a( x, z)+ b( y, ^) corulario de las dos precedentes.

(x, uy )= á(x, y) igualmente curolariu de las dos primeras, y también

( x. -x ) ? a

Se denornina longitud de x o norma:

llxll = (x, x ) in , [^)

y al pruductu:

tx - y. x- y)'^2 = Ilx - y/^ [3]

Se llama distancia del elementu x al elementu y; si es cero, x= y, y mayur que cero

cuando x ^ y.

IV. AXIOMAS CUMPLEMENTAR!OS DE HILBERT

Axiumas de ccanvergencia. Dus axiomas se introducen en este espacio:

u) Prupiedad de Cauchy. 5i x„ E H y dado un E> 0 por pequeño que sea, si para

un n> N se verifica:

lIX n-- xn +p II ^ E [4)

existe un elementu x al que cunverge x„

lim Ilx - xnll = U [Sl

n-+ x

Suele sustituirse este axioma pur la propiedad denuminada espacio cumpleto.

 APLtCACI^UNES DEL ESi'ACl4 DE HIi.BERT A LA ESTADISTICA 27

b) Separabilidad. Cuando hay una sucesión (x; E H) al que se aproxima a x E H

con error arbitrariamenie pequeño, podemos del espa^io H extraer una sucesión de
elementos de z,^ E H, de forma que:

//x - x„ // < ^ [6]

Se denomina a esta propiedad espacio separable cuandu el error es arbitrariamente

pequeño.

2.2. CONCEPTOS DE ORTOGONAL.IDAD

Dados dos elementos x, y E H se denominan ortogonales cuandu:

(x,y)=o
,
La ortogonalidad se representa también de la forma:

x y

En el caso particular, si para x E H, el praducto escalar es:

(x, x ) = 1 C21
se denomina a1 elemento x que está normalizado u tiene módulo unidad.

En un conjunto de puntos: eti E HM (h = 1, 2, 3, ..., n) que pc^seen las prupiedades

[i] y [2)^
h=k b hh . = 1
leh^ ek) ^ btik L3 ^
h ^k óhk=0

donde ^^ es el símbolo de Kronocker.

Tal cor^junto de puntos eh se denomina: elementos ortonormalizadus.

En una sucesión x,, x 2, ..., x,^ de elementos de H{o de Hn) que cumplen la [ 1] pur
los axiomas [ l] de 2.1, s u prod uc to interno es:

llx, + x2 + x3 + ... + x„ll2 = llz,ll2 + llx2/l2 + llx3/lz + ... + llx,^ll2 [4j

Si el espacio es de Hilbert, la expresión [4]

//z/IZ = lim
28 ESTADISTICA ESPAÑOLA

Cuando x es urtogon;a^.l a t^^d^^ elementc^ de un subconjuntu L de H decimus yue es

vrtugunal a L y escribirnos x^L. Si L, y L; sc^n das subconjuntos, tales que todo
elemento de [., es urtogunal a tudu etementu de L^, diremus que ambos subconjuntos
son ortugonales si cumplen [ 1 ^ para tudos !us elementus de los subconjuntus correspon-
dientes.

2.^. Ct)ORDENADAS DE LUS ESPACIOS H,^ Y H

Sea el conjunto [3) de 2,2 de elementos ortonormalizados, pudiendo ser n elementos

(espacio euclidec)} u un cunjunto numerable (espacio de Hilbert).

Tcadu punto x E H^ (u x E H> es representable por una cumbinación tineal.

x=.C ^E' ,-^- x,E' 2^- ... -4- X ^C' n X; E ^ [1]

dunde ^^; sun los elementus básicos [3] de 2.2 urtunurmalizados. Si n tiende a infinito, el
puntc^ x ^ H. [2]

Multiplicando escalarmente ta [ 1] por ^; tenemos:

t.x, e;) = x; [3]

recurdando 1as [3j de 2.2.

A x; se denumina la cc^ur^denada x;, y x puede representarse en función de sus

courdenadas por la [ l] o una sucesión urdenada:

x - (x ,, x ^, . . . , x;, . . . , x„ ) [4]
Cuandu x^ H, la sucesión de las coordenadas se extiende a infinito.

2.4. PROCES(.) DE E)RT(^UNALIZACIÓN DE GRAM-SCHMIDT

Hemus partido de la hipótesis que conociamos una base en un espacio H,^ o H.

A veces se desconuce, y el métc^do de Schmidt se utiliza en los espacios funci^nales

para determinar una base.

Sea:

v ^, v 2, [1]

un sistema de eiementus pertenecientes a un espacio H.

 APLICACIONE3 DEl. E3PAC10 DE HII.:BERT A LA ESTADISTICA

Se pretende construir un sistema ortonormalizado:

(e ,, e ^, . . . ) C2l

de forn^a que el elemento e j se expresa en función lineal de los elementos v^, ^^^, ..., v,,,

En principio, formemos los elementos e^ auxíliares de la forma siguiente y a partir

de ellos los elementos e j, que son ortonormalizados:

v,
(v,, v,) t^t

e2 = v2 - (v2, e,) ; e7
.^(P^• ^Pí

e3 = v^ -(v^, e,)e, -(v2, e2)e^; e^ _

(e3. e3)

e^ -- Vn - ^ (Vn, ei)^i; ^PA = [3]

i=1 Vf (en^ e^)

Los vectores e^ son auxiliares y de los ei se comprueba la ^rtogonalización de

manera sencilla. Para:

(e 2, e,) _ (v2, e,) -(v2, e,)(e,, e,) = 0

por la [ 3] .

Supuesto j ^ n por ind ucción,

(eR^ ej^ - (vn ^ ^j^ - ^(^n• ei) (ei^ ej)

_ (vn, ej) -. (vn, ej) ^. p

y la normalización de las vectores o elementos e; es inmediata a partir de los auxiliares.

2.5. DISTANC[A MÍNIMA DE x E H A UN SUBESPACIO Hn

El problema planteado es encontrar una descomposición de x en dos: uno pertene-

ciente al espacio Hn y otro y^ Hn, de forma que y H„

x = x' + y [1)
 ESTAD^Si'ICA ESPAÑOL,A

1✓ 1 elemento .x' E H„ será combinación lineal de los elementos básicos de este

subespacio:

x' _ ,% , aiFi [2)

Resalveremos por rnayor sencillez en el caso de ser los elementos x E H reales, en

cuyo caso para dx, y E H será:

(x. y ) = (y. x ) [3l

de acuercio cun el axiuma métrico [ l l de 2.1.

La distancia al cuadrado //D//2 es:

llDll2 = lfx - x'll2 = x- ^ a ie i, x-^ a^e^ _

_ (x, x ) _ ^ {x , e^)2 + ^' ^i) - ai^2

La distancia //D// no depende de los dos primeros sumandos y sí del término no

negat i vo:

[{ [5]

Si elegimos:

ai - ^^• ^i) = Xi [6]

se anulan todos los términos de [S] y el valor mínimo de [4] se reduce:

min //D//2 - (x, x) -

^ ( x, x ) -.. ^ ,JC ?
i=1

recordando la [6].
 APLiCAC^fJNES DEL ESPACIO DE H1L8ERT A LA ESTADISTICA

La [ l] la escribiremos sustituyendo a, por los valores determinados por la [6]:

x' _ r
f=1

Si las coordenadas se han elegido según la [6] de la [ 1] y[7] deducimos para t^v, y):

(y. .v ) _ (x, x ) - ^, X; Cy)

i=1

La distancia x a su aproximación x', combinación linea! x' E H^, puede hacerse tan
pequeña como queramos. Si el conjunto es denso, decimos que x se puede aproximar
con expresiones lineales con «error cuadrático» y escribimos:

x' ? ^ x;e i [ 10]

i=1

Cuando n-♦ ^ y el error tiende a cero, llamacnos convergencia cuadrática a la

expresián [ 10].

3. FUNCIONES ORTOGONALES EN EL ESPACIQ DE HILBERT

3.1. GENE1tAL1DADES

La eleccibn de ios elementos básicos pertenecientes a Hilbert pueden

ser funciones según d^j imos y s ubrayamos en 2.1.

En tal caso, se define previamente el campo de variabilidad C =(a, 6), que

supondremos un intervalo cualquiera.

Llamamos sucesión de funciones ortonormalizadas dentro del intervalo (a, b) a:

^o, f^, ^^, . . . , .fn [1]

con las condiciones:

b ^
1
,f;f dx = Fi;; -- 0 [2]
0
 32 ESTADISTiCA ESPAÑOLA

Definamas la uperación:

I.
6

^.K'dx C3l
para b,,f', g y examinemos si podemos formar un espacio funcional de Hilbert, con los
siguientes axiomas:

I. A x^oMA DE GRUPo

Dadas dos funciones de [ 1] cualquiera f, g E H, la suma f+ g E H; la diferencia

j' -^^ E H; existe un elemento neutro y el simétrico que pertenencen a H.

1 I. AXIOMA DE LIN EA LI DAD

Dadas dos funciones cualesquiera^}; K E H y los números cumplejos a y b, uf +

+bgEH.

11 ^ . AXIOMA MÉTRICO

Para
df; g, h E H, c on la definic ión dada en [3) para el pr^^ductv escalar son
inmediatas las relaciones:

IV. DE CUNVERGENCIA

u) CritE^ri^^ dE^ ^ur^c^hy

^iikn, ,^^ E H

ll,^ n -- ^Qn+pll C £

existe un elemento g E H tal que:

lim //g - gn// < ^: [6l

n -+ x

b) S^^urubilidud

Se puede elegir una sucesicín de funciones pertenecientes a H, de forma que si gn E H

todo f E H puede expresarse con error arbitrariamente pequeño.
 APLiCACl4NES DEL ESPACIO DE HIL$ERT A LA ESTADISTICA 33

3.2. REPRESENTACI6N POR FUNCIONES ORTOGONALES

Si f E H dada la sucesión de funciones [ 1), cumpliendo la [2] de 3. i podemos

representar la combinación lineai:

^ A ' a NO + a ^ f ^ -4- , . . -f- a ^n

siendo la coordenada:

b
a k= f• fkdx [ 2]
0

deducida de la distancia mínima de f a la combinación [ 1] y de forma semejante como

hemos deducido en 2.5.

La distancia f a la combinación lineai [ l] cuando sea menor que E debe suceder:

b
l/,f' -- g llz = /f -- g /Zdx < E C31
a
y en este caso escribiremos:

„
^ ? ^akfk=^n
k=1

Si f(x) es una función de cuadrado integrable, el error disminuye al agregar términos

en [4] y cuando la distancia tiende a cero estamos en el concepto b) del Axioma 1 V de
convergencia de 3.1 respecto a ser el espacio funcional separable.

3.3. CONVERGENCtA UNIFORME Y CUADRÁTICA

La convergencia uniforme de una función f(x) aproximada por una combinaci©n

lineal [ 1] de 3.2 para x E(a, b} es:

l.f(x} -- g(x)/ < E

aproximándose uniformemente a f(x} en ei intervalo (a, b).

La convergencia uniforme de g(x) -♦ f(x) en {a, b) implica la convergencia cuadrá-

tica.

.f(x) _ ^(x) [2]

34 F STADISTICA ESPAÑIJLA

^r^rque la ciistancia de j^(_x f a k(x ) :^egún [3J de 3.2 será:

f !/^(_r ) - ,^r^(.x)/^clx < ^.^(h - u} ^ f., [3l

recurdandu la [ I j; luegu:

k' (x )^ = .Í(-x ) j4]

^.4. F'UNCICINHS C1RTONC)RMALIJADAS DE f^OURIFR

La :^ucesi©n dc^ f^^nciunes [ I] cie 3. 1 eitntru de^ camno -u. +u, ^uc^^ie ser:

1
.l ^^ ^( X ) -
^
1 nx I nrcx
f^,(x 1- c:us ,..., j'^-i(x) -- cus

I rc .^r 1 n rc x
.Í^^(.z ) = sen , ..., .t^z^(x ) - sen
u u ^ u

h^sta sucesiá^ n cie funciunes se cum^rueba sencillamente yue es una base urtunorma-
lizacia c^e un espac:iu func:ie^nal ^ur 1as ^rc^^iedades de las integrdles de senus y cusenos.

L.a re^retientac icín c', ^^ u n eleme ntu ,j^ e^ pur el cc^nj unto de sucesiones urtonormati-
ldcias cie Fuurier re^resentandu u',^ y h;^ las cuurc^enadas en este espaciu es:

.f^(_r) --

^
^
cl;,

nTCX
l

i U', CUS
nx

i?TtX
U
+ h', se n
n _z -

U
+

+ .,+ u'n se n + h;^ se n + ... + (n = t. 2, 3...) [2)

^ u u u

^ur la [2] cie 3,2, tenemus:

I
.f^(,x). ^ ^ u^^ ^ . f ^( x )dx [3J
^

nx
cus u
[1 ^ = U .% ( x ) TL X
.f(•^Í. - ^ CUS 1fX =
CI
V `` -u ^ tl
 APLtCACl4NES DEL ESPAC't0 DE HILBERT A LA ESTADISTICA 3S

1 Ía Jt X
= ^-- ,j ( X I Cl)S CI.r
a _ -a ll

TC X
sen u
u ^ rc .r
b'^ _ ,f '( x ) , .f ^C x ) ^en ci.r
^ ll -a cl

6
1 rt n x [ 4a ]
G'n = ,^ (X ) CUS G>'K
U
(n - l, ?, 3...>

1 -a nnx
b'n - f'( x ) se n c^.x [4b^
(1 -a C1

^.5. F^UNCIÓN CA^2ACTERiSTiCA

A partir de la [2] en 3.4 pudemos deducir la función ^aracterística en t'elación cun la

funCión de densidad. Sustituyendu en [2] las cuurdenadas [4a] y[db] tenemus:

Jf
1 a t ° rt tt t ^t rc x
.Í^( x ) = f^( t )dt + ^ - ,/^( t ) cus c:us +
^,^_a n= u _ _a cl u

nnt nnx
+ sen sen c1t ^
a a

^ -a x ' -a - .^ ) .
/`l 1L { j
- ^ f ^( t )út + ^ , f ^( t ) t^us clt =
^tl -a n - 1 ^l -a ll

^ a r_ a
111t (1 - .^ ^ (/l
^ _f ^{ t )dt ^ ^ .t { l ) C U S +
^
-a n=1 1_ -a (1

1 a rt 1t ( t -.^ }
+^..-_ f'( t) c: u s c^t -
U

!?TC(! - X)
,f (! ) CuS ÚI
^ -a
 N STADISTICA ESPAÑ4LA

^^>r ^;er la t^iln^ic^n ^^^,^^n^^ t^un^ir;^n ^^r. Prc.•^iti^mc.•ntc:• ^^^r c•tita ^irc:unst^^ncia y pur ser la
t`un^ ión ^^sn^^ im^^r. I^i j 1 j e^ iguat :

I " nrc(t _r ) rtn(t -

. /'( .^r ^ _ J'( t ^ ^• us + r ^en ut =
n ?rt _a u c^

-
u

-a
,f ^t ^
)

^^
^(' n^t(I-xj
a
^ ^,
Si hac^ m^^s
rt rc
_^. - 11 [31
^^

^um« rt N `uan^iu v^rri^i ^ic,• rr a ^t + I, Ientm^^s yue e{ inc:rement^^ de l^ es:

(rr + I )n rt n n
- _ - - d r, [4]
tl (1 (1

Lle vanclu este vdl^^r ^ la ^?^. tc.•nc^m^^s:

^ -a uc! -x ^i^
. / ^( _C t = f ^t r > ^1 r ^ (- á r^ [ 2' ]
2rz -u u

y ^uan+^^^ (1 ---^ ^,^^+^ tiende a I^^ dit'erenrial (lrr y la sumaturia [2' ^ a una integral:

^ r ^ n(I -x li
. f (.r ) _ . f ( t )(!l (' :/1!
2>^ - ^ -^
^ , r
I f.(t )(^,t,^t
,/^(.r ) - c' -r,xi^Íll [S ^ ^
2 ^L -1 -Y

E.lam^indu t`un^iún earaetc:rísti^a a la ex^resión:

f. ^
iux^
irN^
^(^(ll) _ %(1)(' 1^t = .f tX)(' C^X [6j
_y -,^

Su^tituyenciu c:n (^'j tc:nc:me^s yue e^^inciciiencic^ esta función puede determinarse la
t`un^ ic^n c1e cit nsiclac^ de ^r^^babil idad . Su^tituyendu la [6^ en la [5' j tenemc^s:

1 '
, f ^(.X ) _ (, -r^xi ^h ^l/ )CÍl! [%^

2r C - _r_
 APLICAClUNES DEL., ESPAClO DE NtLBERT A LA ESTADISTICA 37

La reciprucidad de las expresiunes [b] y[7] es bien cunc^cida y cc^mu prt^tendiame^s,

hemus demustradu estas fórmulas cunuciendu las expresic^nes urt^^nurmalizadds de
Fourier.

Para que f(x ) sea desarrullable en serie de Fuurier [ 1] debe cumplir las cundiciunts
de Dirichlet: tener un número finitu de díscuntinuídades en el períudc^; tener un númcru
finito de máximus y mínimos, y

1 l, f '( x } l^lx { -r_

4. FUNCI(^NLS URTUGtJNAL^-^S EN FL ESPACIU DE: H I LBE-:RT RH SNN CT(^l

DE UNA FUNCIUN PUNDFRATIVA (NUCLEU)

4.1. AXlOMÁTlCA

Este casu puede reducirse al estudiadu en 3. Unicamr;ntc, tl Axiuma lll es dunde

la operación escalar tiene una signiticación diferente.

Los Axiomas 1, 11, Ill y[V de 3.1 se dan pur re^ruducidus y entunc:es en el Axiuma
métrico 111 se intruduce la función punderativa

1^ {x ) > 0 [1I

denaminada núcleo.

Sea un conjunt.u de funciunes:

.f;,, .f^,. .^^,. ..., .1^n [21

definidas en un intervalu (u, h), la uperación escalar d./; k c^ H respec:t^^ ciel núcleu lr {x)
se detine así:
b

Cl. ^') - .Í (-^)^^(.r)Il(x)c!X (3]

u

A veces representamus pc^r una integral de Stieltjcs-L.thc^sg^ie ^un t^unción p^^nderativa

dF(x) >_ 0. La (3J se definiría:

h
Cf , k ) - .t'( x ) ^' ( X ) cl F ( .r }
a
38 Es^rAa^cw ^:s^w^cxr^

Si [^] son funciones de1 espacio funcional de Hilbert respecto del núcleo h(x ) o
dF(x) (según sea [3] o[^`]), se puede reducirlas al espacio funcional estudiado en 3,
sólo haciendo la sustitución de las funciones [2^ por las nuevas:

k;(x} _ }'.(x) h(x) [4]

habiendo eliminado el ní^cleo .

4. Z. (,,^RTOC,oNORMA^LIZACIÓN Y COORDENADAS

I?ecimos tenemos una base ortonormalizada

S',(x), g2(x)... [1)

respecio del núcleo h(x ) cuando se cumple:

b
t8;(x), g^ix}) = 8;(x)g,;(x)h(x) = b;; [2)
a

Una función f(x) E H puede expr^esarse por una combinacián lineal de la base [ 1].

f(x) = a,g,(x) + a^g^(z) + ... + a„g'(x} + E(x) [3]

EI térrnino E(z ) se el ige de forma que sea minima la distancia de f{x ) a la expresión:

f^ {x ) = a ,g , (x ) + a ^g 2 (x ) + . . . + a,^g„(x ) [4)

La distancia de f„(x) a f(x) se determina por el producto escalar:

llf (x ) - ^^(x )ll2 = (f{z ) -- ^a;g,(x ), ,f(x ) - ^a^g^;(x)) [Sl
Es evidente y de forma semejante a coma demostramos en 2.5, esa distancia es
minima cuando los coeficientes de [4] son las coordenadas de f(x) en el espacio de la
base ortonormalizada [ 1), es decir, cuando:

b
uk = (^(x ), gk(x)) _ .f(x)gk(x)h (x)dx [^]
a

a,^ es la coUrdenada k del desarrollo o representación de f(x) por [3].

De [S) deducimos, teniendo en cuenta [2]:

//E (x )// _ //f {x ) - f,^ ( x )/I2 = t.1`^(x } ^ ^(x )) - ^, lak /z [^1

^=i
 APLICAGIQNES DiBi. ESPACjO DE HILBERT A LA ESTADISTICA 39

4.3. DESARROLLO DE C HARLIER

Una aplicación inmediata de la estudiado en 4.2 es considerar como núcleo ia

función de densidad normal tipificada, cuyo campo de variabilidad es el eje real.

Formemos las expresiones:

So^) = 1

8,(z) = P,(z)

P2 (z )
8 2(x ) _
^
P^(z )

✓^
Las expresiones P,^(x } son los polinomios de las derivadas de la distribución normai
tipificada:

^o (x ) 1 e _^=r^
2n
1
.f^^(z) _ ^, e "x=nP,^(X ) [3]
^/ 2n

Se comprueba sencillamente que {g p(z ), g,(x ), g z(x ). .. } [ 1^ es una base ortonorma-

lizada respecto a la función de densidad:

h (z } _ 1 e -x=rz
[^]
^/ 2n

Evidentemente, para m > n

^
1 ^=^2 P,^(x) P,^(x)
(g^(X), gA(X)) - e! dx
_,^, ✓ 2n ^,^^ ^ ^ ^
1 ±x
.Í^^`(z)F„(x)dx =
JLm ✓ ^ -^;
^ (
^ -Lf^m^ ^(x) Pn(z)^ -x - f^^-1(z^ Pn (X }^
^^V ^ -^

^ x
,f ^-2(x) p,^(x}dx =U [S^
^^/^ -x
^40 ESTADISTiCA F.SPAI^+OL.A

pues al integr•ar por partes deducimos en consecuencia, ai ser m>;n par hipbtesis y ser
nulos los térrr^inos integrados entre +^c: y ser

P^"+^(x)=0
^ [+^]
por ser P,^(x) un polinomio de grado n), deducimos la ortogonalidad de las funciones:

^ x ^
e -x^/2P^{x) P,^ (x
lg^^^)'+ g^^x) )
^,-' (m ,^,^` ^m - ^ ^` 2n

f^^(x) P,^(x)dx

^ x.
_ ( _ 1)k fc,^-k(x ) p^{x )dx =
^ -x

(_ l^M ^ (x)
• P^ x .fC°(x)d,x = (- 1} m (- ^)
n^ L [S']
_ ,^,
L
por ser Pm (x ) una constante y además es factvrial de m con el signo ±, según sea m de
naturaleza par o impar.

Puede escribirse:

^^m(-x}, g^{-X^^ - bm.^ [S'7

L.a base [ 1] formada como hemos visto está ortanormalizada con el núcleo [3].

Una función cualquiera f(x) puede desarrollarse por medio del sistema ortonormali-
zado [ 1) en la forma:

.f^(x) = uo^o(x ) + a ^g ^(x) + u2g2(x) + ... + a,,,g,„(x) + ... [7J

En cunsecuencia, las coordenadas con núcleo [3] se determinan por la expresión [b]
de 4.2.
^ ,
ak =^.f(x), gk(x}) = f(x)Pk(x} e x iz dx [g3
, -x ,/ 2a^

En nuestro casu recor^demos la [3] y formemos un desarrollo de la función de

densidad f'(x) con relación a la función normal ,f^,(x) y sus derivadas f^m(x) (m = 1, 2...)
en forma de combinación linzal.

f(x) = a„ff'o(x) + a,f^'(x) + ,.. + a,^k(x) + ... [9]

 APLICArCiONES D^L ESPACKJ DE NILBERT A[.A ESTADiSTiCA ar

Multiplicando escalarmente en 9 r -^-

P tenemos:
[ ) ^ k ^

x x

.f(x)^ P^ = f(X) P^ ^ = a^` <k(x)p (x) ._

^ -^ ^k k -x f
^ k

Luego:

x
= ak = f .(x ) P^`(x
,^ ) dx
-x

porque todas las integrales se nos anulan por tas [S), [S') y[S"].

Dando valores a k = 0, 1, 2... encontramos los coeficientes del desarrollo [9]

denominado de Charlier.

Solamente a titulo de información daremos los tres primeros. Para ello conozcamos
Pk(x) deducidos Po(x) = 1 de la derivada de la normal [3]:

P^(x) - --x
P2(x ) = x 2 -- 1

P3(x) _ -(x3 - 3x)

En consecuencia:

x; x
fj^s)
(x)dx
ds =
= aa f^(x)dx = 1 ^

ao - 1

^ ^ ^x.Í(
a= )
p`(x )1 dx =- ^ x x )
.f ( dx -a^
x ^ -x

^
1 2
a^ _ (x - 1)f(x)dx = 1 [a - 1]
L^ - x 2 2

00

aa = 1
1z (3x -- x3)f(z )dx = 1 [ 3a i - a 3]
^Z [ 12]
l^. -^o [.^..

Estos cceficientes, llevados a la [9], nos dan el desarrollo de Charlier para una
función de densidad en relación con la normal.
42 ESTA13[ST'I^A ESPAÑOL.A

lndiquemus que para la valide2 del desarrollo sun necesarias las condiciones de
cuntinuidad de ,j'(x) y se anule la función y sus cierivadas en ±^o .

4.4. OTROS DESARR(:)^ LL4S. DESARROL[.(?S DE HERMITE

La analogía can los de Char^ier nace por el hecho que se forman de la normal por
deñvacián, pero de la farma siguiente:

Si

1 ^ --x=i^
^^,(x ) ._ [ 1]
,, 2n

y hacemos el operad^r deri vada:

_ ^
D ^ dx ^ 2]

D, _

tenemus:

-- D)'.Íu(.x ) = foix ) • H'(x )

y en consecuencia:

J Ur^x ^ = ( ° 1)^H,(x )^o(x )

sienda:

P^^x) ` ^^ 1)^Hr^xj [6l

las pulinomios [3j de 4.3 estudiadas en el desarralla de Charlier (*).

Rey Pastor (**) da una tabla de polinomios ortogonales con diversos núcleas,
interesantes y que enunciamas, coma sun las de Legendre, Tchebychev, La,guerre,
Jacc^bi, etc., asi como las funciones generatrices de los polinamios.

(*} M. G. Kendall and Stuard: «The advanced theory of statistics». Vol. I, p. 155 y sig., quien
demuestra propiedades importantes de estos y utrus palinomios.
{**} J. R. Pastar: «I..ros prc^blemas lineales de la Física». Intaet., p. 32 y sig.
 APLiCACIQTiE3 DEL ESPACIO DE NILBERT A LA ESTADtSTICA 43

S. ESPACIO EST()CASTICO DE HILBERT

5.1. AXíUMÁTiCA

En 2.1 postulamos, en general, el espacio de Hitbert y subrayamos di^iendo que lus

elementos pertenecientes al espacio podían ser variables esto^ásticas.

En el espacio de Hilbert, cuando la naturaleza de los elementos sean variables

estocásticas, lo llamaremos espacio estocástico de Hilbert.

Añadiremos, sin embargo, que pueden ser funciones aleaturias u procesos estocásti-
cos, pero no se estudiat^.n estas cuestiones en este artículo.

I. AXIOMA DE GRUPO

Si x, y son variables aleatorias x, y E H, deberá suceder que:

.
x+ y E H; z-- y E H

Existe elemento neutro 0, y el simétrico que pertenecen al espacio.

I I. A XIOMA DE I_IN EA LI DAD

También se verifica el Axioma II de 2.l para combinaciones lineales ax + by E H y

demás propiedades ya ind icadas .

III. AXIOMA M^TRICO

Definimos para el espacio estocástico d x, y E H la operación interna:

(x, y) = x^d2F(x, y) = Ex^ [lj

R2

EI simbolo E es el operador esperanza; y R2 el campo bidimensional; y el valor

cor^jugado de y cuando las variables aleatot^ias tomen valores complejos: y F(x, y) la
función de distribución conj unta de x e y.

En el caso de ser reales, tenemos que la [ 1^ seria:

(y. x ) - (x, y ) = xyd 2F(x^ y ) = Exy [1^^

R2
44 ES'rAD[S7'i^CCA ESPA^OL,A

Definida la j 1' j para variables aleatorias reales, comprobemos si cumple e1 Axioma

métrico las propiedades siguientes:

(x. y ) = ty, x) [2.a)

(ax, y ) = a(y. x) [2.b)
(z + y, z ) _ (x, z ) + (y, z ) [2.c)
(a.^r + hy, 2) = a(x, z)+ b(y, Z) corolario de las precedentes [2.d]
(x, ay )= a(x, y) igualmente corolario de las anteriores [2.e]
(x, x ) z 4 [2.fj

Demostremos la [2.c]:

(x + y, z ) = E[(x +y )z] = Exz + Eyz [3]

por la propiedad del operador esperanza E.

I V. AXfOMAS COMFLEM EN TARI4S DE CON V ERGENCI A

Damos por reproducidos los Axiomas 1V a) y b), siendo los elementos x y xn

variables estocásticas.

5.2. C(3NSTRUCCIÓN DE UNA HASE ESTOCÁST^CA ORTONORMALIZADA

En un espacio estocástico H^ -euclideo de n dimensiones a partir de unas

variables ligadas por una relación lineal y que tengan la propiedad de estar ortonormali-
Zadas. Cuando n--♦ 7c formaremos el espacio de Hilbert.

En principio, y sin pérdida de generaiidad, supondremos las variables:

x^, x2, z3... [ll

están centradas; es decir:

Ex ^ = 0 ^2]

Si no cumptiesen [2] y fuese ak la media teórica correspondiente a la variable xk, la

nueva variable seria:

[2'l

y siempre supondremos las variables aleatorias x; son centradas sin que perdiéramos
generalidad por esta hipótesis adicional.
 APLICACIONES DEI. F.,CPACH'J DE HILHERT A L.A ESTADI^7'ICA 4S

A partir de las variables centradas

x2, x3... [3l

construyamos una variables estoc^sticas ortonorrnalizadas y que llamaremos:

^2, ^3.•. [4]

Recordemos el procedimiento de ortogonalizacián de Gram-Schmidt expuesto en

2,3, y expresamente sustituiremos en [2] el con^junto {v,^} por las correspondientes
variables aleatorias {x,^ ♦ ^}, e igualmente para las variables ortogonales ek y e,^ por sus
correspondientes variables aleatorias ^k+^ (auxiliar y ortogonal) y^^+^ ortonormalizadas.

Según hemos indicado, tendremos:

x
^i - ^i ` 2 [SJ
✓ (x2^ x^)

peno:

(x2, x2) = Ex2 = a i [6]

según [ 1] de S.1 y por ser x2 centrada; luego la [S] puede escribirse:

x
^2 = - ^ ^ (^2^ ^2) = 1 [S']
2

o sea, la variable tipificada que goza de la propiedad de tener módulo unidad.

.
Encontremos ^^,, pero antes introduzcamos la variable auxiliar ^3:

^3 = x3 - (x3, ^2) ' ^2 [7]

^ es (^3, ^^) = 0 [7')

recondando [S' ] .

Si llamamos:

. Ex;x^ = a^;^ = p;^a;cs1 [g)

donde p;1 es el coeficiente de correlación entre las variables x^ y x^. Tenemos:

^z3 _ aZa
(x}, ^^) ^ Ex3 x2 ^ .^
3 - Pz^Q3
Q2 C72 62a3
 ESTADISiT[CA E3PAÑ^4LA

Normalicemas la variabie au xiliar ^; ^

"'" l ,X ; -- ( x 3 +
^ ^ ;' ^ ; ^ ,`^ 2 }^ 2 + -x 3 -. lX3+ 4 I ^ 3 j _._

-- ^3( ^ _ ^2^^

Luego:

x3 ^ (x3• 52^z
V ^^3* ^3^ a ^^v^^ 1 -' P i 2^^

La [ 11) puede escribirse recordando las [5'], [9] y[ 10]:

1 X3 P23 x2
C 1 1'J
^,/ i - Pi^ a2

Procederíamos continuando formando la base estocástica ortonormalizada siguiendo

el método expuesto en ^.^ para nuestra espacio estocástico y la base ubtenida es
combinación lineal de las variables estocásticas [3].

5.3. HIPERPZ.ANO DE REGRESI ^^N EN COORDENADAS ESTOC^I ^ STICAS ORTONC}RMALIZADAS

Construida la base ^ 2, ^ 3, ... ,^,,.. ., un elemento x, podemos representarlo estocásti-

camente en esta base de forma:

z, = 61z^,^ + b , 3y 3 + [lj
Si eí elemento aleatorio x, se proyecta sobre H,; y r^ es ortogonal a la base {^2, ^,, .., ,
^„} .

EI problema es determinar los parámetros b^k(k = 2, 3, ..., m} que Ilamaremos

coefícientes de regresión respecto al sistema ortogonalizado. Se deducen sencillamente
aplicando ios conceptos de coorrfenadas ( ya que son las coordenadas de la base
estocástica ortogonal) que vimos en 2.5, fórmula [6], y que, en nuestro caso, se reduce
a:
b ^k = (x,, ^k) = Ex,^k [2]

Dando a k valares, abtenemos todos los caeficientes del hiperplano de regresión.

De la [ lj y cuando se han determinado los coeficientes de la fórmula [^] tenemos

la varianza residual o error minimo:
n
^ 2
(^1 + ^1) ° a 1, 2,.. .,^e ^ (x^^x^}i
6 ^k [3]
k=2 k^2
 APLICAClOhTE3 DEL ESPACIO DE F#ILHERT A LA ESTADtSTICA

Esta expresión puede compararse con la [9] de 2.5.

Si x, E H^ el error será nulo, porque la distancia de x, al subespacio H^ (donde se
encuentra x,) es nula. Podemos representar en este caso, por una expresión lineal:
n
x, _ ^ b ^kx k [4]
k=2

A cs ^.2.3^ ^ se denomina varianza residual y viene expresada en t^rminos de la

varianza de x, y de las coordenadas sobre et sistema ortogonal elegido, disminuyendo
cuando se incrementa la dimensionalidad del espacio, pudiendo llegar a ser nulo cuando
la proyección de x, en el sistema ortogonal estocástico elegido coincida exactamente
con la dimensionalidad de x,, según hemos indicado.
Brevemente completaremos estas ideas y emplearemos las notaciones introducidas
por Yule ( *) para nuestras regesiones.
La [ 1] la escribiremos así:
X , _ ^7 12y 3,. ...n^ 2 -(- ... -^ b l ^r .23... ..(n - t )^ R [5]
+ b 13.2^4, ... ,^r^ 3 -(- x 1.23... . ,n

Llamaremos (como hace Yule) a los primeros subíndices primarios y a los restantes
secundarios. Eí prirner subíndice 1 en los coeficientes de regresión en base ortonormali-
zada indica la variable x,; el segundo subíndice de los coeficientes, indicativo de que es
el coeficientes correspondiente a la variable estocástica ortonormalizada, representa su
influencia; los coefcientes secundarios representativos de las restantes variables orto-
normaliza+das que intervienen. Por último, comparando [S] con [ 1] vemos que:

[ó]
es la desviación o error estocástico.
Multiplicando escalarmente x 1,^,,,.,^ por ^ti(h = 2, 3, ..., n) y recordando [2] tene-
mos:

(x^1.23,...,i^ ^ti) = Ex i.23,...,^^h = E(x, -- E b U.2,3,....^-,} ,v+ 1).. ^^^1^^

= Ex ^ ^ h^^ 1h,23,(h-1),(h+ 1),...,n = ^ [ 7]

segvn la [ó]. Este hecho nos permite escribir:

"
a i,2,...,^ _ {x 1,23,....^ ^ x 1,2,3....,^)

-^x 1 , 23 ,...,n' x t ' b 12 .3.,^e^ ....,n^ n)

2- b 13,2,...,n^ 3-... - b ^n, 2
...
= E(x 1,23,...,(n-1} - b 1n.23....,(R- lr^ir)x ^_

- Ex 1,z3,....(^-1)x ^ - b in,Z3....,(M -1>^nx ^_

' Ex1.23....,(+^-1) - b In,23,...,(+^-l) = Q j,23,...,(n-!) b 1n,23,...,(n-1)

(.*) G. U. Yule y M. G. Kendall: «Introducción a la Estadística^, p. 304 y sig. Aguilar, 1954.

 E3TADlST1CA ESPA140LA

La varianza residual:

z z b2
Q 1.2..., a-` Q 1,23,....{,^ - t) ' t^,23,...,(n - i)

La relación [S'] puede escribirse:

^
b lw .23. . . . ,(^ --1)
^ i . 23, .. . .^e -` Q 1.23.. . . .(^ -1 2
Q 1.2,.--•(r+-1)

La [8] es la varianza residual de orden n- l y por la [S'] y[S"] vemos la ley de

recurreneia para conocido la de orden inferior determinar la siguiente.

La fórmu[a, deducida por Yule (p. 3074 c.) para los coeficientes de regresión, nos
permite escribir la irnportante relacián para nuestros coeficientes de regresión en base
estocástica artanormalizada:

_ b :^.23.. ..{.^ - t )
p ire .23.. . . .(h -1) - 2
Q 1,23,....(re - !)

pues sustituyendo [9^ en [8"] nos da la fúrmula deducida por Yule.

2 _ 2 Z
Q 1.23,...,w -^ 1.23,...,(x --1)( 1 1 p 1n.23.....{n -1}^

De [ 10] deducirnos:

2
^ t,2 ^` it l - Piz^

i. 23 ^^ i.z^ 1- p i 3.2^ [1]

i,234 ! ^ i.2^(1 p ia,23^

En consecuencia, multiplicando las [ 11] hasta la [ 10] y simpliflcando, tenemos:

^ 1.23,...,n ^ ^^^ 1 P f 2}^ 1 [ 12]

s P l3.2^( 1 i p t4,23> ... ^ 1 ` p^,23....,(n- t)^

De la [5^] deducimos:

b In.23..,.,(n-1) i P 1n.23,....(n-1) ^ a i,23,...,(n-1) [ 13)

y sustituyendo la relación [ 12] en [ 13] tenemos para nuestros coeficientes de regresión

en base ortonormalizada:

b In
. 23,.. ' p 1n.23,... .(n-1 )^ ^ ^ (1 ^ p t z^ ^ (1 -- p l3^2). . .(1 - p 1(n-1),23,...,(^-2}^
.,(n -1) ^ [ 14]
Estos coeficientes b 1,^,^,...,^n_ 1) puede observarse no están influenciados por variables
superiares a n como indica la [ 14],
 APL[CACIONES DEL ESPACIO DE HIL.gERT A LA ESTADISTICA

Esta ventaja sobre los cceficientes lineales ordinarios de regresión nos permite
deducir el siguiente sin modificar los anteriores cuando se ha construido la base
ortonormal izada.

5.4. RECTA DE REGRESIÓN

La [ 1] de 5.3 puede reducirse a la menor expresión lineal posible:

x, = b,2 ^2 + x ^.2 [1]

y como por la [2] de S.l en nuestro caso es:

Ex,x2 Ex,x2
6,2 = Ex,^^ °^^ ° P^2°'^

La [^ l] se reduce a:
x ^ ^ P^zQ^^2 + x i,2
x2
= P c^°' ^
a2
^` x i.a C3l

recordando las [S] y [S] de 5.3.

Liamando a la proyección sobre ^2, recta de regresión de x, sobre xz, con un

subíndice secundario para indicar esta combinación lineal:

cs ,
x ^^ = p12 • x2
cs 2

se llama a x^, regresión lineal de x, sobre xz y puede escribirse:

x ^^ x2
Sl, - p^z ' [S)
Ci, 62

Sencillamente deducimos la varianza residual sin más que j3] de S.3 suprirnir los
subridices superiores a 2 y sustituyendo b, 2 por el valor deducido en [2] tenemos la
conocida fórmula de la varianza residual:

a ^,2 = a i ^ bi2 = b i -^ipi2 =^ i^ ^- Piz^ Cb^

S. S. PL,ANO DE REGRESIÓN

Por su importancia, ded icaremos estas bre ves líneas al plano de regresián en coordi-
nadas ortonormalizadas y finalizaremos nuestro artículo.
 E3TADtST^CA EsPA^70LA

De !as [ 1] y[S] de 5.3 tenemos para el plano en la base ortonormalizada {^2, ^3}:

xl ^ bf2"^2 + b13^3 + x1.23 [1]

siendo la desviación x^,23 ortogonal a^ 2 y^ 3.

t,.as coor^dena^das b 12 y b ^ 3 se deducen de la [2^ de 4.5.3.

b,2 = Ex,^2 6^^ = Ex1^3 C2l

x^
Siendo ^ 2 =
^2

^ l x3 P23 X2
b3 [ ^]
^ ^ P23 Q3 ^ ^ ^ P23 ^2

según las [S], [S'] y[ 11"] de S.2 estando ortonormalizadas.

La coor^denada b12 ha sido deducida en 5.4, fórmula [2].

b,2 = P12Q1 [ 4j

Sustituyendo en [2] la [3] tenemos:

_ (P i 3 ^ P 12P23)
^ 13 -
1 - Pi3

Si prescindimos en [ 1] de la desviación x 1,^3 y llamamos x l^ al plano de regresión,

tenemos: .

X 1t = b 12^2 + 613^3 [ b]

Sustituyendo en [6] las coordenadas expresadas en las fármulas [S] y las ^2 y^3 por
las [ 3] , tenemos :

x2 (P13 Pl2P23^ 1 X3 P23 x2

Xir -- PIZQ, ^2 + _ 2 a, y 2 - _ 2 [^
1 P23 1 P23 ^3 1 P23 ^2

Efectuando operaciones podemos ponerla en forma explicita tipif;cada:

z ir P 1^ ^ P 13P^3 x2 . P i 3" P 12P23 x3

[ ^J
^1 1 ` Pi3 a2 ^ ! Pi3 a3
 APLICACIONES DEL ESPACIO DE HtLBERT A 1.A ESTADISTI^CA

La varianza residual [ 3j de 5.3 para nuestro caso es:

Q _ Qa _ b^ _ 62 _ ^2 _ 2 aa _ ^P ^ ^ - P ^zPz3^^ 0,2
^.23 ^ ^2 ^^ ^ P^2 ^ 1 2 ^
- P^;
[ 9)
^ ^2 (^ _` Pi^^(1 ^ PY3^ - (Pi^ - Pi2P13)^

Indiquemos que teniendo una base ortonormalizada, el error dísminuirá a medida

que introduzcamos términos sin necesidad de rehacer los cálcuios, como lo hemos
hecho para el plano conociendo ya 612 calculado previamente en la recta.

B1BL[OGRAFIA

MALTSEY, A. l.: Fundamentc^s de úlgebra lineal. Edit. Mir. Moscú, 1972.

REY PASTOR, J.: Lr^s problemas lineales de la Fr^ ic•a. lntact, 1955.
REY PASTOR, J., y Pt CALLEJA: Anúlisis matemútic•v, vol. 3. Kapelusa. Buenos Aires,
1965.
YuLE, G. U., y KENDALL: Introducción a!a L'stadístic•a. Aguilar, 1954.
FERNÁNDEZ BAÑOS, O.: Tratadv de Eslad^^ tic•a. Consejo Superior de Investigaciones
Científicas, 1945.
KARHUNEN, K.: M^tc^dvs lineales en e! cúlcrclc^ de prc^babilidades. Consejo Superior
lnvestigaciones Científicas, 1952.
GULFAND, l. M., CHILOV, G. E.: «Les distributions». Tomo 2. Espaces fundamentaux.
Dunod, 1964.
Sz NAGY, B.: Analyse harmc^nique des uperateurs de 1'espace de hilbert. Masson, 1967.
CRAMER, H.: Stativnary and related stvchastic processes. John Wiley and Son, 1966.
Dc^oB, J. L.: St^^c•hastic• pr^x^esses. J. Wiley, 7.a ed., 1967.
BERBERIAN, S. K.: Intr^xaluc c•ión a! espac^io de Hil6ert. Teide 1970.
LuKACS, E.: Gharac•teristic fúnctic^ns. Charles Griffin, 19b0. London.
ANDERSON: The statistic•a! analysis vf time series. Wiley, 1958.

SUMMARY

In the present work we are studying the axiomatic for the formation of
Hilbert space with statistics nature defining the set ^f elements belonging to
the space and these elements can be functions, random variables or sto-
chastic processes. These definitions are completed with the scalar product
S2 ESTADISTICA E^PAl40LA

and if the elements are functions suc h ones shall be integral square and if
its are random variables the scalar products are given by the mathematical
expectations.

When the elements are functions, all the iheory of the orthogonality can
be studied from this point of view and detailed examples are given, such as
deveiopment of density functions, and reiation with the characteristic func-
tion.

When the elements are random variables with a set of them a base
random orthogonalized can be constructed and all different stochastic va-
riable can be developed calculating its coordinates which ^re the regressors
of the components orthogonalized random variahles. We are studied the
regressions: right line, plane and hiperplane.

Finally the mean square error is the scalar product of the random
variable distance to the regnession hiperplane and if the point belongs to
this hiperplane its variance is zero.

Key words: Hilbert space; orthogonality functions in the Hilbert space;

Hilbert stochastic space .

AMS 19^0 Subject classification: 6+OBOS, 33A6S, ó^OG05.