Estimadores insesgados lineales óptimos (BLUE)
|
|
- María del Pilar Cáceres Valenzuela
- hace 5 años
- Vistas:
Transcripción
1 Estimadores insesgados lineales óptimos (BLUE) Alvaro Gómez & Pablo Musé {agomez, Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo de 08
2 Repaso Estimación MVU general I Dos técnicas para encontrar el MVU I I Teorema de Cramer-Rao Estadísticos suficientes y teorema de Rao-Blackwell-Lehmann-Sche e I Ninguna de las dos técnicas asegura encontrar el MVU Estimación MVU en modelos lineales I Si los datos pueden representarse con un modelo lineal, x = H + w, w N(0, I) siempre es posible encontrar el MVU y su varianza. El estimador MVU es La matriz de covarianza del estimador es ˆ = H T H H T x () C ˆ = H T H () I Además, el estimador es eficiente ya que alcanza la CRLB.
3 Introducción Estimadores Lineales e Insesgados Óptimos (BLUE) I En la práctica ocurre frecuentemente que aunque el estimador MVU existe, no puede ser encontrado. I No se conoce la PDF o no se puede asumir un modelo de los datos. I No puede aplicarse CRLB o la teoría de estadísiticos suficientes. I En estos casos es razonable recurrir a estimadores subóptimos I No se conoce la pérdida de desempeño del estimador porque no se conoce la varianza del MVU. I El estimador puede ser empleado si cumple las especificaciones del problema. I Una estrategia es restringir el estimador a ser lineal con los datos, y buscar el estimador lineal insesgado y de varianza mínima: Estimador Lineal e Insesgado Óptimo (BLUE) [Kay, 993] I Un virtud del estimador BLUE es que solo se necesita conocer el primer y segundo momento de la PDF, por lo que es apropiado en aplicaciones prácticas.
4 Estimador BLUE Definición Se observa el conjunto de datos {x[0], x[],..., x[n ]} cuya PDF p(x, ) depende del parámetro desconocido que se quiere estimar. I El estimador BLUE se restringe a ser lineal con los datos, NX ˆ = a n x[n] I Definición del estimador BLUE: aquel que es insesgado y tiene varianza mínima entre todos los estimadores lineales. I Hay que determinar los coeficientes a n para que el estimador cumpla la condición anterior.
5 Búsqueda del BLUE Para determinar el BLUE se impone que el estimador ˆ sea lineal e insesgado y se determinan los coeficientes a n que minimizan la varianza. I Estimador lineal I Condición de insesgado NX ˆ = a n x[n] =a T x (3) NX E(ˆ ) = a n E (x[n]) =, 8 I Para satisfacer la condición de insesgado, E (x[n]) tiene que ser lineal con el parámetro desconocido, E (x[n]) = s[n], con s[n] conocido. (4) Si esto no se cumple, es imposible satisfacer la condición de insesgado. Por ejemplo, si E(x[n]) = cos, lacondicióndeinsesgadosería P N an cos =. No existen coeficientes a n que cumplan esto para todo.
6 Búsqueda del BLUE I La condición 4 significa que el BLUE solo es aplicable en el problema de estimación de la amplitud de señales conocidas en ruido, x[n] = s[n]+w[n], I Se puede generalizar su uso a través de transformaciones no lineales de los datos. I Continuando con la condición de no sesgado, NX a n E (x[n]) = NX a n s[n] = NX a n s[n] = es decir, a T s = con s =[s[0] s[]...s[n ]] T.
7 Búsqueda del BLUE I La varianza del estimador es apple var(ˆ ) =E ˆ E(ˆ ) h = E a T x E(a T x) i h = E a T x a T E(x) i h = E a T (x E(x)) i h i = E a T (x E(x)) (x E(x)) T a = a T Ca I Hay que encontrar a de forma de minimizar la varianza manteniendo la condición de insesgado, a opt =min a a T Ca sujeto a a T s = Esto se resuelve con multiplicadores de Lagrange.
8 Búsqueda del BLUE I El Lagrangiano es: L(a, )=a T Ca + (a T s ) I El gradiente respecto a a es: I ) se tiene que: I Sustituyendo 5 en la restricción, se encuentra el multiplicador de Lagrange, I Sustituyendo el multiplicador en 5, se obtiene el a =Ca + a = C s (5) a T s = s T C s = =) = a opt = s s T C s C s s T C s
9 Estimador lineal Búsqueda del BLUE Varianza del estimador lineal Coeficientes del estimador lineal óptimo ˆ = a T x var(ˆ ) =a T Ca a opt = C s s T C s I El estimador BLUE es Usando 4 se deduce que el entonces: BLUE es insesgado ˆ = st C x s T C s I ysuvarianzaes: var(ˆ ) = s T C s (6) (7) E(ˆ ) = st C E(x) s T C s = st C s s T C s = Observación: Para determinar el BLUE solo se requiere conocer I s (media escalada) I C, la matriz de covarianza de x es decir, los dos primeros momentos en lugar de la PDF completa.
10 Ejemplo I Nivel de DC en ruido blanco Se quiere estimar A a partir de las observaciones x[n] =A + w[n] n =0,,...,N donde w[n] es ruido blanco con varianza y PDF no especificada. I En este caso, E(x[n]) = A ) s[n] =8n ) s = I La matriz de covarianza de x[n] esc = I ) C = I Usando la ecuación 6, el estimador BLUE es  = T Ix T I = P N x[n] N Con la ecuación 7, se obtiene su varianza, var(â) = T I = NX x[n] = x[n] = N N La media muestral es el estimador BLUE independientemente de la PDF de los datos
11 Ejemplo II Nivel de DC en ruido no correlacionado Se quiere estimar A a partir de las observaciones x[n] =A + w[n] n =0,,...,N donde w[n] es ruido no correlacionado var(w[n]) = n. I Como en el caso anterior, s = I La matriz de covarianza es ahora C = N ) C = N
12 Ejemplo II Nivel de DC en ruido no correlacionado I El estimador BLUE es I con varianza Observaciones  = T C x T C = NP N P x[n] n n var(ˆ ) = T C = NP I El estimador BLUE pesa mas fuertemente las muestras con menor varianza de forma de igualar la contribución del ruido de cada muestra. I El estimador encontrado es idéntico al estimador MVU encontrado en el caso de ruido gaussiano no correlacionado (Ejemplo II en Modelos Lineales). n
13 Extensión a vector de parámetros Se quiere estimar el BLUE para el caso de un vector de p parámetros, =[... p ] T I Para que el estimador sea lineal con los datos, se requiere NX ˆ i = a in x[n] =a T i x donde a in son los coeficientes a estimar. I La condición en notación matricial es i =,,...,p ˆ = Ax con A matriz p N con filas a T i I La condición de que el estimador ˆ sea insesgado es NX E(ˆ i )= a in E (x[n]) = i, i =,,...,p que en notación matricial es E(ˆ ) =AE(x) = (8)
14 Extensión a vector de parámetros I Análogamente al caso escalar, para satisfacer la condición de no sesgado (ecuación 8), E(x) tiene que ser lineal con, E(x) =H, con H matriz N p conocida. (9) Notar que en el caso escalar (p =),H = s. I Sustituyendo la ecuación 9 en la 8 se obtiene la restricción de no sesgo, AH = I (0) I Denotando la fila i-ésima de A como a T i como h j, 3 a T a T A = 6 4. a T p 7 5 y la columna j-ésima de H H =[h h... h p ] la ecuación 0 de la restricción de no sesgo queda, a T i h j = ij i =,,...,p; j =,,...,p.
15 Extensión a vector de parámetros I Realizando un razonamiento análogo al caso escalar, la varianza es apple h var(ˆ i )=E ˆ i E(ˆ i ) = E a T i x E(a T i x) i = a T i Ca i I Hay que encontrar A de forma de minimizar la varianza manteniendo la condición de insesgado. Para encontrar la fila i-ésima de A hay que resolver a iopt =min a i a T i Ca i sujeto a a T i h j = ij i =,,...,p j =,,...,p I Ahora hay p restricciones, y la función de Lagrange queda, J i = a T i Ca i + px j= (i) j a T i h j ij I y resolviendo [ejercicio], se obtienen los coeficientes óptimos, a iopt = C H H T C H e i ) A opt = H T C H H T C
16 Extensión a vector de parámetros I El estimador BLUE en el caso vectorial queda, con matriz de covarianza Observación ˆ = A opt x = H T C H H T C x Cˆ = HT C H I El estimador BLUE es el mismo que el estimador MVU para el modelo lineal general, Por qué? x = H + w, w N(0, C)
17 Extensión a vector de parámetros Teorema de Gauss-Markov Hipótesis: Los datos observados tienen la forma del modelo lineal general, Tésis: x = H + w El estimador BLUE de es ˆ = H T C H H T C x ylavarianzadeˆ i es h var(ˆ i )= H T C H i ii I I I I x: N vectordeobservaciones H: N p matriz de observación conocida, con N > p yrangop : p vectordeparámetrosa estimar w: N vector de ruido con PDF arbitraria, media nula y covarianza C Además, la matriz de covarianza del estimador es C ˆ = HT C H
18 Consideraciones sobre la optimalidad del BLUE Modelo lineal con ruido gaussiano I En el modelo lineal general con ruido gaussiano se encontró que el estimador MVU es ˆ = H T C H H T C x El estimador MVU es lineal en los datos I Restringir el estimador a ser lineal no conduce a un estimador suboptimo, ya que el MVU pertenece a la clase de operadores lineales. I Ejemplo: estimación de nivel de DC en WGN. En ese caso, el MVU es la media muestral lineal en los datos. ˆ = x = NX x[n], N Si el modelo es lineal y los datos son gaussianos, el BLUE es también el MVU
19 Consideraciones sobre la optimalidad del BLUE Modelo lineal con ruido no gaussiano I Si el modelo es lineal pero los datos no son gaussianos, el estimador MVU no es lineal con los datos. I Ejemplo: estimación de la media de ruido blanco uniforme. I El MVU, encontrado mediante estadísticos suficientes es ˆ MVU = N + N max x[n], no lineal en los datos. I Restringiendo el estimador a ser lineal, el BLUE es la media muestral (Ejemplo I). I La varianza de los estimadores es (x[n] U(0, )) var(ˆ MVU )= 4N(N +) var(ˆ BLUE )= N Si el modelo es lineal y los datos no son gaussianos, el BLUE es subóptimo
20 Consideraciones sobre la optimalidad del BLUE Nivel de DC en WGN. El BLUE es óptimo. Media en ruido uniforme. El BLUE es subóptimo. I Si el MVU pertenece a la clase de estimadores lineales, no se pierde desempeño con el BLUE. I Si el MVU pertenece a la clase de estimadores no lineales, hay pérdida de desmpeño, la cual puede ser significativa.
21 Ejemplo III: Transformación de los datos Estimación de la varianza de WGN Se tienen las observaciones x[n] N(0, ) n =0,,...,N ysequiereestimar. I Empleando Cramer-Rao, se puede demostrar que el MVU es ˆ = NX x [n] Además, es eficiente (ejercicio) N El MVU no es lineal con los datos I Si se intenta calcular el BLUE en este caso, se tiene que N ˆ = X NX a n x[n] =) E( ˆ )= a n E(x[n]) = 0 I El BLUE es totalmente inapropiado en este caso ya que ni siquiera produce un estimador insesgado.
22 Ejemplo III: Transformación de los datos Estimación de la varianza de WGN I Sin embargo, el BLUE puede calcularse a partir de los datos transformados como y[n] =x [n], N ˆ = X NX a n y[n] = a n x [n] I La restricción de insesgado puede cumplirse, ya que NX NX E( ˆ )= a n E(x [n]) = a n = I Teniendo en cuenta que E(x [n]) =, el modelo con los datos transformados puede expresarse como y[n] =x [n] =E(x [n]) + x [n] E(x [n]) {z } {z } w[n]
23 Ejemplo III: Transformación de los datos Estimación de la varianza de WGN I Ahora el modelo es y[n] = + w[n] con w[n] =x [n] I I La transformación de los datos hace que el problema se reduzca a la estimación de la amplitud de una señal en ruido. Usando las ecuaciones 6 y 7 con s =, elestimadorbluees I ˆ = T C y T C var( ˆ )= T C Hay que calcular la matriz de covarianza C del ruido w[n]. I Por construcción del modelo, la media de w[n] esnula, E(w[n]) = E(x [n]) =0 I El elemento (i, j) de la matriz de covarianza es E(w C ij = E(w[i]w[j]) = [i]) E(w[i])E(w[j]) = 0 i = j i 6= j
24 Ejemplo III: Transformación de los datos Estimación de la varianza de WGN I La matriz de covarianza es diagonal, C ii = E(w [i]) = E x [n] = E(x 4 [n]) E(x [n]) + E (x [n]) = = 4 I El estimador y su varianza es C = 4 I ) C = 4 I ˆ = var( ˆ ) = T 4 Iy T = 4 I T = 4 I N P N 4 y[n] = N 4 N X N y[n] = NX x [n] N
25 Referencias I Kay, S. M. (993). Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory, chapter 6. Prentice Hall, st edition.
Estimación insesgada de mínima varianza
Estimación insesgada de mínima varianza Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fing.edu.uy Departamento de Procesamiento de Señales Instituto
Más detallesEstimación Bayesiana y Máximo a Posteriori
Estimación Bayesiana y Máximo a Posteriori Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
Más detallesEstimador de máxima verosimilitud (MLE)
Estimador de máxima verosimilitud (MLE) Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo de
Más detallesEstimador de Máxima Verosimilitud
Estimador de Máxima Verosimilitud Tratamiento Estadístico de Señales Pablo Musé, Ernesto López, Luis Di Martino {pmuse,elopez,dimartino}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de
Más detallesPráctico 3 Filtro de Wiener
Práctico 3 Filtro de Wiener Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fingeduuy Departamento de Procesamiento de Señales Instituto de Ingeniería
Más detallesCota Inferior de Cramer Rao
Cota Inferior de Cramer Rao Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse,elopez}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica
Más detallesEL7002 - Estimación y Detección
EL7002 - Estimación y Detección Clase No. 9: Mejor Estimador Lineal Insesgado Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesMÍNIMOS CUADRADOS GENERALIZADOS
Métodos Estadísticos para Economía y Gestión (IN540-2) Otoño 2008 - Semestre I, Parte II Universidad de Chile Departamento de Ingeniería Industrial Profesor: Mattia Makovec (mmakovec@dii.uchile.cl) Auxiliar:
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesCurso Inferencia. Miguel Ángel Chong R. 1 de octubre del 2012
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 1 de octubre del 2012 Definición Estadístico suficiente Un estadístico es suficiente respecto al parámetro si la distribución de probabilidad
Más detallesPráctico 2 Análisis de proceso autorregresivo de orden 2 Proceso WSS filtrado
Práctico Análisis de proceso autorregresivo de orden Proceso WSS filtrado Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fing.edu.uy Departamento
Más detallesPROPIEDADES DEL ESTIMADOR MCO
TEMA 3 PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesRESOLUCIÓN DE SISTEMAS LINEALES
Contenido 1 Métodos de Solución Contenido Métodos de Solución 1 Métodos de Solución Desarrollamos el algoritmo de sustitución regresiva, con el que podremos resolver un sistema de ecuaciones lineales cuya
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesEstimación y Predicción en Series Temporales
Estimación y Predicción en Series Temporales Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesTÉCNICAS DE MUESTREO I MUESTREO ESTRATIFICADO
TÉCNICAS DE MUESTREO I MUESTREO ESTRATIFICADO Profesor: Ing. Celso Gonzales C. Mg.Sc CONTENIDO Introducción Muestreo Estratificado. Definiciones. Estimación de parámetros, tipos de asignación. CARACTERISTICAS
Más detallesFiltros de Wiener. Tratamiento Estadístico de Señales. Pablo Musé & Ernesto López
Filtros de Wiener Tratamiento Estadístico de Señales Pablo Musé & Ernesto López {pmuse,elopez}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería
Más detallesUna forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.
Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES CONCEPTO Un sistema de m ecuaciones lineales con n incógnitas es un sistema de la forma: a 11 x 1 + a 12 x 2 +... + a 1n x n b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n b 2.........................
Más detallesCONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 MATRICES
CONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 Unidades: - Matrices (Bloque Álgebra) - Determinantes (Bloque Álgebra) - Sistemas de ecuaciones lineales (Bloque Álgebra) - Vectores (Bloque
Más detalles23/10/14. Algebra Matricial $ $ ' ' ' $ & & & # # I 3 I 2 = 1 0 $ DEFINICION DE MATRIZ 2.1 CONCEPTOS DE MATRICES CONCEPTOS DE MATRICES. $ n. ! a.
/0/ Algebra Matricial. OPERACIONES DE DEFINICION DE MATRIZ Si A es una matriz de m x n (esto es una matriz con m filas y n columnas) la entrada escalar en la i-ésima fila y la j-ésima columna de A se denota
Más detallesMétodo de mínimo cuadrados (continuación)
Clase No. 10: Método de mínimo cuadrados (continuación) MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesTema 6 Extensiones y aplicaciones (Máquinas de vectores soporte, SVM)
Tema 6 Extensiones y aplicaciones (Máquinas de vectores soporte, SVM) José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 6 El problema de clasificación supervisada:
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesMatrices y sistemas de ecuaciones
Matrices y sistemas de ecuaciones María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Matrices y sistemas de ecuaciones Matemáticas I 1 / 59 Definición de Matriz Matrices
Más detallesMétodo de mínimos cuadrados (Continuación)
Clase No. 11: MAT 251 Método de mínimos cuadrados (Continuación) Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesCurso Inferencia. Miguel Ángel Chong R. 17 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 17 de septiembre del 2013 Estimador insesgado de minima varianza Definición Estimador insesgado uniformemente de mínima varianza. Diremos
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesProcedimiento para encontrar la inversa de una matriz cuadrada (Método de Gauss-Jordan).
Ejemplo 19: Demuestre que la matriz A es invertible y escríbala como un producto de matrices elementales. Solución: Para resolver el problema, se reduce A a I y se registran las operaciones elementales
Más detallesIdentificación n de SIStemas
Identificación n de SIStemas Métodos de Estimación n Recursivos ISIS J. C. Gómez Métodos de Identificación n Recursivos Mínimos Cuadrados Recursivos ara una estructura de modelo de regresión lineal y n
Más detallesTema 4: Determinantes
Tema 4: Determinantes Curso 2016/2017 Ruzica Jevtic Universidad San Pablo CEU Madrid Índice de contenidos Introducción Propiedades de los determinantes Regla de Cramer Inversión de matrices Áreas y volúmenes
Más detallesMatemáticas Empresariales II. Sistemas de Ecuaciones lineales
Matemáticas Empresariales II Lección 4 Sistemas de Ecuaciones lineales Manuel León Navarro Colegio Universitario Cardenal Cisneros M. León Matemáticas Empresariales II 1 / 34 Sistema de ecuaciones lineales
Más detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesLección 8. Matrices y Sistemas de Ecuaciones Lineales
Lección 8 Matrices y Sistemas de Ecuaciones Lineales MIGUEL ANGEL UH ZAPATA 1 Análisis Numérico I Facultad de Matemáticas, UADY Septiembre 2014 1 Centro de Investigación en Matemáticas, Unidad Mérida En
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales 1 Definiciones Un sistema de m ecuaciones lineales con n incógnitas es un conjunto de expresiones de la forma: a 11 x 1 + a 12 x 2 + + a 1n x n = a 21 x 1 + a 22 x 2 + +
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesCurso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 10 de septiembre del 013 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesMínimos Cuadrados. Departamento de Matemáticas, CCIR/ITESM. 30 de junio de 2011
Mínimos Cuadrados Departamento de Matemáticas, CCIR/ITESM 30 de junio de 011 Índice 4.1.Introducción............................................... 1 4..Error Cuadrático............................................
Más detalles11.SISTEMAS DE ECUACIONES LINEALES DEFINICIÓN DE ECUACIÓN LINEAL DEFINICIÓN DE SISTEMA LINEAL Y CONJUNTO SOLUCIÓN
ÍNDICE 11SISTEMAS DE ECUACIONES LINEALES 219 111 DEFINICIÓN DE ECUACIÓN LINEAL 219 112 DEFINICIÓN DE SISTEMA LINEAL Y CONJUNTO SOLUCIÓN 220 113 EQUIVALENCIA Y COMPATIBILIDAD 220 11 REPRESENTACIÓN MATRICIAL
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
Más detallesSistemas de Ecuaciones Lineales
Sistemas de Ecuaciones Lineales José Vicente Romero Bauset ETSIT-curso 2009/200 José Vicente Romero Bauset Tema 2.- Sistemas de Ecuaciones Lineales Sistema de ecuaciones lineales Un sistema de ecuaciones
Más detallesAlgebra Lineal XXVI: La Regla de Cramer.
Algebra Lineal XXVI: La Regla de Cramer José María Rico Martínez Departamento de Ingeniería Mecánica Facultad de Ingeniería Mecánica Eléctrica y Electrónica Universidad de Guanajuato email: jrico@salamancaugtomx
Más detallesForma estándar de un programa lineal
Forma estándar de un programa lineal Sin pérdida de generalidad, todo programa lineal se puede escribir como: min cx s.t Ax = b x 0 Objetivo: minimizar Todas las desigualdades como ecuaciones Todas las
Más detallesOCW-V.Muto Sistemas lineales: Preliminares Cap. XIII CAPITULO XIII. METODOS PARA LA RESOLUCION DE SISTEMAS LINEALES: PRELIMINARES
CAPITULO XIII. METODOS PARA LA RESOLUCION DE SISTEMAS LINEALES: PRELIMINARES. SISTEMAS LINEALES DE ECUACIONES En esta tercera parte se consideran técnicas para resolver el sistema de ecuaciones lineales:
Más detallesGustavo Rodríguez Gómez. Agosto Dicembre 2011
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2011 1 / 46 Capítulo II 2 / 46 1 Introducción Métodos Directos Sistemas Triangulares Sustitución Hacia Atrás Invertibilidad de una Matriz
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesCapítulo VI. Diferenciabilidad de funciones de varias variables
Capítulo VI Diferenciabilidad de funciones de varias variables La definición de diferenciabilidad para funciones el cociente no tiene sentido, puesto que no está definido, porque el cociente entre el vector
Más detallesMATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES
CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesL [1] ( ) = 1 L [ ( )] ( ) =2 L[1] ( )+L[( 3) 3 ( )] ( ) = 2 + 3
Ampliación de Matemáticas II Grado en Ingeniería en Tecnologías Industriales Convocatoria 9 Junio 5. ( puntos) Resolver utilizando la transformada de Laplace la ED ( + + +( 3) 3 (), (), (). Determinar
Más detallesAproximación Polinomial de Funciones.
Aproximación Polinomial de Funciones José María Rico Martínez Departamento de Ingeniería Mecánica Universidad de Guanajuato, F I M E E 1 Introducción En estas notas se presentan los fundamentos de los
Más detallesUNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS
UNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS Sistemas de dos ecuaciones con dos incógnitas. Método de igualación. Método de reducción. Método de sustitución Método de eliminación Gaussiana.
Más detallesDeterminantes. Definiciones básicas sobre determinantes. José de Jesús Angel Angel.
Determinantes Definiciones básicas sobre determinantes wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Determinantes 2 11 Propiedades de determinantes 4 2 Inversa
Más detalles1 SISTEMAS DE ECUACIONES LINEALES. CONCEPTOS GENERALES
Sistemas de ecuaciones lineales MATEMÁTICAS II 1 1 SISTEMAS DE ECUACIONES LINEALES. CONCEPTOS GENERALES o Definición: Un sistema de m ecuaciones con n incógnitas es un conjunto de ecuaciones lineales que
Más detallesSistemas de ecuaciones lineales
SISTEMAS DE ECUACIONES LINEALES Un sistema de m ecuaciones lineales con n incógnitas es un conjunto de ecuaciones de la forma: ax + a2x 2 +... + an xn = b a2x + a22x 2 +... + a2nxn = b2... amx + am2x 2
Más detallesEjercicio 3 de la Opción A del modelo 1 de 2008.
Ejercicio 3 de la Opción A del modelo 1 de 2008. Dado el sistema de ecuaciones lineales x + λy z = 0 2x + y + λz = 0 x + 5y λz = λ +1 [1 5 puntos] Clasifícalo según los valores del parámetro λ. (b) [1
Más detallesAlgoritmo de adaptación LMS
Algoritmo de adaptación LMS Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Abril de 2018 Introducción
Más detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detallesMatemática 2 MAT022. Clase 4 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María. Sistemas de Ecuaciones. logo.
Matemática 2 MAT022 Clase 4 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María Tabla de Contenidos Sistemas de Ecuaciones 1 Sistemas de Ecuaciones Consideremos el sistema
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesMatemática II Tema 3: resolución de sistemas de ecuaciones lineales
Matemática II Tema 3: resolución de sistemas de ecuaciones lineales 2012 2013 Índice Sistemas de ecuaciones lineales 1 Interpretación geométrica y definición 1 Método de eliminación 4 Resolución de sistemas
Más detallesAnálisis Factorial General.
Capítulo 1 Análisis Factorial General. 1.1. Análisis Factorial General (AFG). Introducción. Sea una tabla rectangular de valores numéricos, representados por una matriz X n p, con términos x ij. Nos planteamos
Más detallesMatrices y determinantes
Matrices y determinantes 1 Ejemplo Cuál es el tamaño de las siguientes matrices? Cuál es el elemento a 21, b 23, c 42? 2 Tipos de matrices Matriz renglón o vector renglón Matriz columna o vector columna
Más detallesUnidad III Teoría de la Dualidad.
Curso de investigación de operaciones http://www.luciasilva.8k.com/5.5.htm Unidad III Teoría de la Dualidad. III.1 FORMULACIÓN DEL PROBLEMA DUAL La Teoría de la Dualidad es una de las herramientas que
Más detallesDOCENTE: JESÚS E. BARRIOS P.
DOCENTE: JESÚS E. BARRIOS P. DEFINICIONES Es larga la historia del uso de las matrices para resolver ecuaciones lineales. Un texto matemático chino que proviene del año 300 A. C. a 200 A. C., Nueve capítulos
Más detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detalles1 SISTEMAS DE ECUACIONES LINEALES. CONCEPTOS GENERALES
Sistemas de ecuaciones lineales MTEMÁTICS II 1 1 SISTEMS DE ECUCIONES LINELES. CONCEPTOS GENERLES Definición: Se llama ecuación lineal con n incógnitas x 1, x 2, x 3,., x n a toda ecuación que puede escribirse
Más detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
Más detallesPráctico 5 Filtro de Kalman
Práctico 5 Filtro de Kalman Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fingeduuy Departamento de Procesamiento de Señales Instituto de Ingeniería
Más detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detallesCurso Inferencia. Miguel Ángel Chong R. 24 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 24 de septiembre del 2013 Suficiencia Cuando hacemos inferencia sobre un parámetro, usando una muestra aleatoria (X 1,...,X n )yunestadísticoˆ
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesINVERSA DE UNA MATRIZ
INVERSA DE UNA MATRIZ Profesores Omar Darío Saldarriaga Ortíz Ivan Darío Gómez Hernán Giraldo 2009 Definición Sean x = x 1 x n y y = y 1 y n vectores de n componentes, definimos el producto interno o producto
Más detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesSoluciones a los ejercicios propuestos: Matemáticas III. Curso Tema 9
Soluciones a los ejercicios propuestos: Matemáticas III. Curso 10 11 9 Tema 9 1. Consideremos el problema min F x, ys.a.:gx, y = b. Siendo F y g funciones con derivadas parciales continuas en IR. Supongamos
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesCapítulo V. Valores y vectores propios. Diagonalización de operadores lineales.
Capítulo V Valores y vectores propios. Diagonalización de operadores lineales. Hemos visto que la aplicaciones lineales de en están definidas a través de una expresión de la forma ; pero esta fórmula puede
Más detallesResolución de sistemas de ecuaciones lineales
Tema 2 Resolución de sistemas de ecuaciones lineales 21 Métodos directos de resolución de sistemas de ecuaciones lineales 211 Resolución de sistemas triangulares Definición 211 Una matriz A se dice triangular
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesNelson Devia C Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3 Contenidos
Más detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
Más detalles