EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
|
|
- Catalina Navarro Martínez
- hace 5 años
- Vistas:
Transcripción
1 EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE Ajste mínimo-cadrático del hiperplano de regresión En el modelo de regresión múltiple qe vamos a presentar se considera qe el regresando es na fnción lineal de k- regresores y de na pertrbación aleatoria, existiendo además n regresor ficticio correspondiente al término independiente. Designando por Y t al regresando, por X t, X 3t,..., X kt a los regresores y por t a la pertrbación aleatoria, el modelo teórico de regresión lineal viene dado, para la observación genérica t-ésima, por la sigiente expresión: Modelo de regresión múltiple Yt = β+ βx t + + βkxkt+ t t =,,, T () Siendo T el tamaño de la mestra y dando valores a t desde t= hasta t=t, se obtiene el sigiente sistema de ecaciones: Y = β + β X + β X + + β X k k Y = β + β X + β X + + β X k k Y = β + β X + β X + + β X + T T 3 3T k kt T () El sistema de ecaciones anteriores se pede expresar de forma más compacta tilizando notación matricial. Así, vamos a denominar y Y Y... Y T = X X X3... Xk X X... X XT X3 T... XkT 3 k = β β β... βt =... T = El modelo de regresión lineal múltiple () expresado en notación matricial es el sigiente: Y X X3... Xk β Y X X3... X k β = YT XT X3 T... XkT β T T (3) Si tenemos en centa las denominaciones dadas a vectores y matrices, el modelo de regresión lineal múltiple se pede expresar de forma compacta de la sigiente forma:
2 y=xβ + (4) donde y es n vector T, X es na matriz T k, β es n vector T y es n vector T x. El correspondiente modelo ajstado será el sigiente ˆ ŷ=xβ (5) El vector de residos es igal a la diferencia entre valores observados y ajstados, es decir, ˆ = y-y ˆ =y-xβ ˆ (6) Denominando S a la sma de los cadrados de los residos, se tiene qe: ˆ ˆ T S = ˆˆ = [ ˆ ˆ ˆ... ] ˆ T = t... (7) t= ˆ T Teniendo en centa (6), se obtiene S = (y - Xβ)(y ˆ - Xβ) ˆ = = y'y - βˆ Xy - yxβ ˆ + βˆ XXβ ˆ = yy - βˆ Xy + βˆ XXβ ˆ (8) Para llegar a la última igaldad de la expresión anterior se ha tenido en centa qe βˆ Xy = yxβ ˆ ya qe n escalar es igal a s traspesto, es decir, ( βˆ Xy ) = yxβ ˆ Aplicar el criterio mínimo-cadrático expesto anteriormente es eqivalente a minimizar el escalar S. Para ello se calcla la primera derivada de S con respecto al vector de coeficientes mínimo-cadráticos, ˆβ, en la expresión (8) y se igala a 0 : Para la derivación de escalares, expresados mediante prodctos matriciales, respecto a n vector, véase el anexo de Econometría aplicada.
3 S = - X y + X Xβˆ = 0 βˆ (9) Por tanto, XXβ ˆ = X y (0) Al sistema anterior se le denomina genéricamente sistema de ecaciones normales del hiperplano. Cando k=, se obtiene el sistema de ecaciones normales de la recta; cando k=3, se obtiene el sistema de ecaciones normales del plano; finalmente, cando k>3, se obtiene específicamente el sistema de ecaciones normales del hiperplano el cál no es ssceptible de ser representado físicamente. En notación matricial expandida el sistema de ecaciones normales, es el sigiente: T T T T Xt... Xkt Yt t= t= ˆ t= β T T T T ˆ X t Xt XtXktβ X tyt t= t= t= = t= ˆ T T T β k T X kt Xkt Xt X kt XktY t t= t= t= t= () Obsérvese qe: a) XX /T es la matriz de momentos mestrales de segndo orden, con respecto al origen, de los regresores. b). Xy /T es el vector de momentos mestrales de segndo orden, con respecto al origen, entre el regresando y los regresores. Para poder resolver el sistema (0) respecto a ˆβ nívocamente, se debe cmplir qe el rango de la matriz XX sea igal a k. Si se cmple esta condici6n, se peden premltiplicar ambos miembros de (0) por[ XX ] [ ] ˆ = [ ] XX XXβ XX Xy con lo cal se obtiene la expresión del vector de estimadores mínimo-cadráticos: [ ] βˆ = XX Xy () S presenta n mínimo en ˆβ, ya qe la matriz de segndas derivadas, XX, es definida positiva. Para comprobarlo, consideremos el vector a, de orden k, distinto de cero. Entonces, 3
4 axxa= Xa [ ] [ Xa ] será el prodcto escalar del vector [ ] Xa s transpesto, prodcto qe no será negativo, por ser na sma de cadrados. Si el rango de XX es k, entonces qeda garantizado qe dicho prodcto es positivo. Por otra parte, al ser XX definida positiva, se sige, evidentemente, qe XX también es definida positiva.. Propiedades descriptivas en la regresión lineal múltiple Las propiedades qe se exponen a continación son propiedades derivadas exclsivamente de la aplicación del método de estimación por mínimos cadrados al modelo de regresión () en el qe se inclye como primer regresor el término independiente.. La sma de los residos mínimo-cadráticos es igal a cero: Demostración. Por definición de resido T ˆ t = 0 (3) t= ˆ = Y Yˆ = Y ˆ β ˆ β X ˆ β X t =,,, T (4) t t t t t k kt Si smamos para las T observaciones se obtiene: T T T T ˆ ˆ ˆ ˆ t = Yt Tββ Xt βk Xkt t= t= t= t= (5) Por otra parte, la primera ecación del sistema de ecaciones normales () es igal a T T T T ˆ β + ˆ β X + + ˆ β X = Y (6) t k kt t t= t= t= (3). Al comparar (5) y (6), se conclye qe necesariamente debe cmplirse Obsérvese qe, al cmplirse (3), se cmplirá también qe y, al dividir por T, T T Y ˆ t = Yt t= t= Y Yˆ = (7) 4
5 . El hiperplano de regresión pasa necesariamente por el pnto ( Y, X,, Xk ). En efecto, dividiendo la ecación (6) por T se obtiene: ˆ ˆ ˆk k Y = β + β X + + β X (8) 3. Los momentos de segndo orden entre cada regresor y los residos son igales a 0. Demostración. Para el conjnto de los regresores se pede expresar así: En efecto, ˆ X=0 (9) X=X ˆ ˆ = ˆ = y-xβ Xy-XXβ Xy-Xy = 0 Para llegar a la última igaldad se ha tenido en centa (6). 4. Los momentos de segndo orden entre ŷ y los residos son 0, es decir, Demostración. yˆˆ = 0 (0) En efecto, si se tiene en centa (6) y (0) reslta qe y= ˆ ˆˆ ˆ= ˆ ˆ= ˆ Xβ βx β0 = 0 3 Hipótesis estadísticas básicas del modelo I Hipótesis sobre la forma fncional Yt = β+ βx t + + βkxkt+ t t =,,, T o, en forma matricial, y=xβ + () II Hipótesis sobre el vector de pertrbaciones aleatorias La pertrbación aleatoria t es na variable aleatoria no observable. a) La esperanza matemática del vector de pertrbaciones aleatorias es cero. 5
6 b) Las pertrbaciones aleatorias son homoscedásticas E ( ) = 0 () E = σ t = T (3) ( t ),,, c) Las pertrbaciones aleatorias con distintos sbíndices son independientes entre sí. E( ) = 0 t s (4) t s La formlación de las hipótesis b) y c) permiten especificar la matriz de covarianzas del vector de pertrbaciones. (La matriz de covarianzas de n vector qe contiene T variables aleatorias es na matriz cadrada y simétrica de orden T T, en cya diagonal principal aparecen las varianzas de cada no de los elementos del vector y fera de la diagonal principal aparecen las covarianzas entre cada par de elementos.) En concreto, la matriz de covarianzas del vector de pertrbaciones es la sigiente: E E E E E [ ( ) ][ ( ) ] = [ 0][ 0] = [ ][ ] T T E [ T ] E = = T T T T E ( ) E ( ) E ( ) T σ 0 0 E ( ) E ( ) E ( T ) 0 σ 0 = = E ( T ) E ( T ) E ( T) 0 0 σ Para llegar a la última igaldad se ha tenido en centa qe las varianzas de cada no de los elementos del vector es constante e igal a σ de acerdo con (3) y qe las covarianzas entre cada par de elementos es 0 de acerdo con (4). El resltado anterior se pede expresar de forma sintética: E( ) = σ I (5) d) La pertrbación aleatoria tiene na distribción normal mltivariante Todas las hipótesis sobre el vector de pertrbaciones se peden formlar de la sigiente forma: ~ N( 0, σ I ) (6) 6
7 III Hipótesis sobre el regresor X a) La matriz de regresores, X, es na matriz fija. De acerdo con esta hipótesis, los distintos regresores del modelo toman los mismos valores para diversas mestras del regresando. Éste es n spesto ferte en el caso de las ciencias sociales, en el qe es poco viable experimentar. Los datos se obtienen por observación, y no por experimentación. Para qe dicho spesto se cmpliera, los regresores deberían ser ssceptibles de ser controlados por parte del investigador. Es importante señalar qe los resltados qe se obtienen tilizando este spesto se mantendrían prácticamente idénticos si spsiéramos qe los regresores son estocásticos, siempre qe introdjéramos el spesto adicional de independencia entre los regresores y la pertrbación aleatoria. Este spesto alternativo se pede formlar así: a*) La matriz de regresores, X, se distribye independientemente del vector de pertrbaciones aleatorias b) La matriz de regresores, X, tiene rango k. E ( X)=0 (7) ρ ( X ) = k (8) Recordemos qe la matriz de regresores contiene k colmnas, correspondientes a los k regresores del modelo, y T filas, correspondientes al número de observaciones. La hipótesis b) tiene dos implicaciones:. El número de observaciones, T, debe ser igal o mayor qe el nmero de regresores, k.. Todas las colmnas de la matriz de regresores deben ser linealmente independientes, lo cal implica qe no pede existir na relación lineal exacta entre ningún sbconjnto de regresores. En caso contrario, el rango de la matriz X sería menor qe k, y, por tanto, la matriz XX sería singlar (carecería de inversa), con lo cal no se podrían determinar los valores del vector de estimadores de los parámetros del modelo. Si se diera este caso se dice qe existe mlticolinealidad perfecta. Si existe na relación lineal aproximada es decir, no exacta, entonces se peden obtener estimaciones de los parámetros, si bien la fiabilidad de los mismos qedaría afectada. En este último caso se dice qe existe mlticolinealidad no perfecta. c) La matriz de regresores, X, no contiene errores de observación o de medida Ésta es na hipótesis qe raramente se cmple en la práctica, ya qe los instrmentos de medición en economía son escasamente fiables (piénsese en la mltitd de errores qe es posible cometer en na recogida de información, mediante encesta, sobre los prespestos familiares). Anqe es difícil encontrar instrmentos para contrastar esta hipótesis, la natraleza del problema y, sobre 7
8 todo, la procedencia de los datos tilizados peden ofrecer evidencia favorable o desfavorable a la hipótesis ennciada. IV Hipótesis sobre el vector de parámetrosβ El vector de parámetros β es constante. Si no se adopta esta hipótesis el modelo de regresión sería my complicado de manejar. En todo caso, pede ser aceptable qe los parámetros del modelo se mantienen estables en el tiempo (si no se trata de períodos my extendidos) o en el espacio (si está relativamente acotado). 4 Propiedades probabilísticas del modelo Distribción del regresando El regresando es fnción lineal del vector de pertrbaciones aleatorias, qe, por la hipótesis II d), sige na distribción normal. Por lo tanto, el regresando, y, segirá también na distribción normal. La esperanza matemática de y, teniendo en centa la hipótesis II a), viene dada por [ ] E( y ) = E Xβ + = Xβ + E( ) = Xβ (9) La matriz de varianzas covarianzas, teniendo en centa las hipótesis II a) a II c), serán Var( y ) = E ( )( ) = E( ) = σ y Xβ y Xβ I (30) En consecencia, e regresando, y, tiene na distribción normal mltivariante con vector de medias β y con na matriz de varianzas-covarianzas, σ I, escalar. y ~ N( Xβ, σ I ) (3) Distribción y propiedades del vector de estimadores Teniendo en centa () y (), podemos expresar el vector de estimadores ˆβ en fnción del vector de pertrbaciones: [ ] [ ] [ ] ˆ β = XX X Xβ + = β + XX X (3) Las hipótesis de los bloqes III y IV se tendrán implícitamente en centa, anqe no se mencionen. 8
9 Aplicando el operador esperanza a la expresión (3), teniendo en centa qe β y X son no aleatorios y aplicando (), se obtiene [ ] E( βˆ ) = β+ XX X E( ) = β (33) La matriz de varianzas-covarianzas del vector de estimadores mínimocadráticos viene dada por ˆ ˆ ˆ ˆ ˆ Var( ) E E( ) E( ) E ˆ ˆ β = = β β β β β β β β E [ XX ] XX [ XX ] [ XX ] X E[ ] X[ XX ] [ XX ] X σ IXXX [ ] σ [ XX ] XXXX [ ] σ [ XX ] = = = = = (34) En la dedcción anterior se han tenido en centa (3) y (33), además de las hipótesis de homoscedasticidad y no atocorrelación recogidas en (5). De acerdo con lo anterior, el vector de estimadores, ˆβ, tiene na distribción normal mltivariante con vector de medias β y matriz de varianzascovarianzas σ [ XX ], es decir ˆ ~ N( σ [ ] ) β β, X X (35) Las propiedades qe se van a ennciar a continación son propiedades qe se dedcen conjntamente de la aplicación del método de estimación de mínimos cadrados y de las hipótesis estadísticas básicas formladas en el epígrafe 3. Los estimadores mínimo-cadráticos, si se cmplen las hipótesis estadísticas básicas son estimadores lineales, insesgados y óptimos 3. a) El vector de estimadores, ˆβ, es n estimador lineal: El vector de estimadores, ˆβ, de acerdo con (3) se pede expresar del sigiente modo donde [ ] A= XX X β ˆ = β + A (36) Pesto qe X es na matriz de regresores fijos, según la hipótesis III a), también lo será la matriz A. Por tanto, la expresión (36) mestra qe el vector ˆβ 3 El cmplimiento de la hipótesis de normalidad no es necesario para qe los estimadores mínimocadráticos tengan estas propiedades. 9
10 es na combinación lineal del vector de pertrbaciones, y, en consecencia, es n estimador lineal. b) El vector de estimadores, ˆβ, es n estimador insesgado En efecto, de acerdo con (33), E ( βˆ ) = β (37) Es decir, ˆβ es n estimador insesgado, ya qe la esperanza del vector de estimadores es igal al vector parámetros qe trata de estimar. c) Dentro de la clase de estimadores lineales e insesgados, ˆβ tiene mínima varianza, es decir, ˆβ es n estimador óptimo o eficiente (teorema de Gass- Markov). Esta propiedad, qe no demostraremos, se pede ennciar de forma global para el vector de estimadores de la sigiente forma: E ˆ ˆ E β β β β β β β β (38) donde β es calqier otro vector arbitrario de estimadores qe cmpla la propiedad de ser lineal e insesgado. La propiedad anterior implica qe las varianzas de cada no de los estimadores mínimo-cadráticos son inferiores, o a lo smo igales, a las varianzas de calqiera otros estimadores qe sean lineales e insesgados. Es decir, se cmplirá qe var( ˆ βi) var( βi) i =,,, k (39) donde ˆ β y β son elementos de los vectores ˆβ y β respectivamente i i Distribción del vector de residos Teniendo en centa (6) y (), vamos a expresar el vector de residos en fnción del regresando donde [ ] [ ] ˆ = y-xβ ˆ = y-x XX Xy = = I-X XX X y My (40) [ ] M = I-X XX X (4) 0
11 donde M es na matriz idempotente. (Una matriz idempotente A se caracteriza por cmplir estas dos propiedades: a) A=A ; b) AA = A ) De forma alternativa se pede expresar el vector de los residos en fnción del vector de las pertrbaciones: [ ] [ ] [ ] ˆ = I-X XX X y = I-X XX X Xβ + [ ] [ ] = Xβ -X XX XXβ + X XX Xβ [ ] [ ] = Xβ -Xβ+ I X XX X = IX XX X = M (4) La esperanza del vector de residos es la sigiente: [ ˆ ] [ ] [ ] E = E M = ME = M0=0 (43) y s matriz de covarianzas viene dada por [ ˆ] = [ ˆˆ ] = [ ] = [ ] Var E E MM ME M = σ = σ = σ M IM MM M En consecencia, el vector û tiene la sigiente distribción: (44) ˆ ~ (, ) N 0 σ M (45) Estimación de la varianza de las pertrbaciones La varianza de las pertrbaciones es, de acerdo con la hipótesis II b), se mantiene constante para las T pertrbaciones aleatorias. Al igal qe el vector de coeficientes ( ˆβ ) del modelo de regresión, la varianza de las pertrbaciones ( σ ) es n parámetro desconocido. En ambos casos es necesario estimarlos. Para la estimación de ˆβ se tilizan las observaciones mestrales sobre el regresando y los regresores; para la estimación de σ se tilizan los residos obtenidos a partir de la regresión mínimo cadrática. Para ver cál es el estimador más conveniente de σ, vamos a analizar previamente las propiedades de la sma de cadrados de los residos, qe es precisamente el nmerador de la varianza residal. De acerdo con (4), la sma de cadrados de los residos los podemos expresar de la sigiente forma ˆˆ = MM = M (46)
12 Con objeto de tener información para poder constrir n estimador insesgado de σ, vamos a calclar la esperanza matemática de la expresión anterior: E[ ˆˆ ] = E[ M ] = tre[ M ] = E[ trm ] = Etr [ M ] = trme[ ] = trmσ I (47) = σ trm = σ ( T k) En la dedcción anterior se han tilizado las sigientes propiedades del operador traza (tr), qe se define como la sma de los elementos de la diagonal principal de na matriz cadrada: a) La traza de n escalar es el mismo escalar, ya qe n escalar se pede considerar como na matriz de orden, con lo qe coincide s diagonal principal con el propio escalar. b) tr( AB) = tr( BA ) La propiedad b) permite calclar la trm, según se ve a continación: T T k k [ ] [ ] trm = tr IT T X XX X = trit TtrX XX X = tri tri = T k (48) Del resltado obtenido en (47), despejando se obtiene qe [ ] ˆˆ E σ = T k (49) A la vista de la expresión anterior, n estimador insesgado de la varianza vendrá dado por pesto qe, de acerdo con (47), ˆˆ ˆ σ =, (50) T k ˆˆ E( ˆˆ ) σ ( T k) E( ˆ σ ) = E σ T k = = =, (5) T k T k El denominador de (50) son los grados de libertad correspondientes a la sma de cadrados de los residos qe aparecen en el nmerador. Este resltado está jstificado por el hecho de qe las ecaciones normales del hiperplano imponen k restricciones sobre los residos. Por lo tanto, el número de grados de libertad de la sma de cadrados de los residos es igal al número de observaciones (T) menos el número de restricciones (k).
13 Estimación de la matriz de covarianzas de los estimadores La matriz de covarianzas de los estimadores (teórica), como pede verse en (34), es fnción del parámetro desconocido σ. Cando se sstitye σ por s estimador ˆ σ se obtiene n estimador de matriz de covarianzas de los estimadores: ˆ ˆˆ Var( ˆ β) = ˆ σ [ XX ] = [ XX ] (5 T k El estimador anterior es n estimador insesgado, ya qe ˆ E( Var ˆ ( β )) = E( ˆ σ )[ XX ] = σ [ XX ] = Var( β ˆ) (53) La varianza de n coeficiente individal ˆi β, vendrá dada por ii ˆˆ ˆ σ v = v T k ii (54) ii donde v es el elemento ii-ésimo de la diagonal principal de la matriz [ XX ]. Así pes, los elementos de esta última matriz los hemos denominado de la sigiente forma: k = [ XX] k v v v v v v k k kk v v v 3
UNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN. Tema: DENOMINADORES CON FACTORES LINEALES CUADRÁTICOS
UNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN Tema: DENOMINADORES CON FACTORES LINEALES CUADRÁTICOS DENOMINADORES CON FACTORES LINEALES CUADRÁTICOS Cando al smar dos fracciones algebraicas
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesel blog de mate de aida MI: apuntes de vectores y rectas pág. 1 VECTORES
el blog de mate de aida MI: apntes de vectores y rectas pág. VECTORES.- LOS EJES CARTESIANOS Y EL ORIGEN El eje horizontal se llama eje de abscisas y el eje vertical se llama eje de ordenadas. El pnto
Más detallesCriterio de la segunda derivada para funciones de dos variables por Sergio Roberto Arzamendi Pérez
Criterio de la segnda derivada para fnciones de dos variables por Sergio Roberto Arzamendi Pérez Sea la fnción f de dos variables definida por f (, ) contina de primera segnda derivadas continas en s dominio,
Más detallesTEMA 7 VECTORES MATEMÁTICAS 1
TEMA 7 VECTORES MATEMÁTICAS TEMA 7 VECTORES 7. LOS VECTORES Y SUS OPERACIONES DEFINICIÓN Un ector es n segmento orientado. Un ector AB qeda determinado por dos pntos, origen A y extremo B. Elementos de
Más detallesRegla de la cadena. Regla de la cadena y. son diferenciables, entonces: w w u w v y u y v y. y g. donde F, w w u w v x u x v x
Regla de la cadena Una de las reglas qe en el cálclo de na variable reslta my útil es la regla de la cadena. Dicho grosso modo, esta regla sirve para derivar na composición de fnciones, esto es, na fnción
Más detallesTEMA 7: VECTORES. También un vector queda determinado por su módulo, dirección y sentido. Dado el vector u. = AB, se define: Módulo del vector u
DPTO DE MATEMÁTICAS T5: VECTORES - 1 1.- VECTORES EN EL PLANO TEMA 7: VECTORES Hay magnitdes como ferza, desplazamiento, elocidad, qe no qedan completamente definidas por n número. Por ejemplo, no es sficiente
Más detallesTEMA 5 VECTORES EN EL ESPACIO MATEMÁTICAS II 2º Bach. 1. es un vector unitario de la misma dirección y el mismo sentido que v.
Estdios J.Concha ( fndado en 00) ESO, BACHILLERATO y UNIVERSIDAD Departamento Bachillerato MATEMATICAS º BACHILLERATO Profesores Jaier Concha y Ramiro Froilán TEMA 5 VECTORES EN EL ESPACIO MATEMÁTICAS
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 detallesIdentificación de Sistemas
Identificación de Sistemas Estimación de Mínimos Cadrados Ator: Dr. Jan Carlos Gómez Estimación n de Mínimos M Cadrados ara Estrctra de Regresor ineal Se asme qe la relación entrada-salida ede ser descrita
Más detallesUNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecaciones Diferenciales de Primer Orden Definición Clasificación de las Ecaciones Diferenciales Una ecación diferencial es aqélla qe contiene las derivadas o diferenciales de na o más variables
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 detallesTema 10 Ejercicios resueltos
Tema 1 Ejercicios reseltos 1.1. Determinar el campo de eistencia de las fnciones sigientes: - 1 f(, ) = log f(, ) = ç è + ø f(, ) + - = ( f (, ) = log - 3 ) + 1.. Calclar los límites de las sigientes fnciones
Más detalles13/05/14. Conjuntos Ortogonales y mínimos cuadrados CONJUNTOS ORTOGONALES. ! n 6.2. iu j i j. CONJUNTOS ORTOGONALES (opcional) u 1
6 6. Conjntos Ortogonales y mínimos cadrados Se dice qe n conjnto de vectores {,, } en es ortogonal si cada par distinto de vectores del conjnto es ortogonal, esto es, si i i j = 0 mientras i j. El sigiente
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesPRUEBA DE ACCESO (LOGSE) UNIVERSIDAD DE CANTABRIA JUNIO (RESUELTOS por Antonio Menguiano) Tiempo máximo: 1 horas y 30 minutos
IES CASTELAR ADAJOZ A Mengiano PRUEA DE ACCESO (LOGSE) UNIVERSIDAD DE CANTARIA JUNIO - 9 (RESUELTOS por Antonio Mengiano) MATEMÁTICAS II Tiempo máimo: horas y mintos - Debe escogerse na sola de las opciones
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 detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesPráctico Nº 4 : Vectores
Práctico Nº 4 : Vectores Nota: Cando en el presente práctico los ectores estén dados por coordenadas salo qe se aclare lo contrario deberá entenderse qe éstas se refieren a la base canónica del espacio
Más detallesHoja Problemas Espacio Vectorial { } { } del espacio vectorial R 3. Hallar las coordenadas de a en la base B' = { u 1,u 2,u.
EJERCICIO PARA ENTREGAR Sean los sbespacios vectoriales: Hoja Problemas Espacio Vectorial 6-7 {( ) } F {( ) R / } E αγ βγ αβ γ / α β γ R Se pide: a) ases de E F EF E F b) Ecaciones implícitas de E F Sea
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 detallesALGEBRA Y GEOMETRÍA VECTORIAL EN R 2 Y EN R 3
ALGEBRA Y GEOMETRÍA VECTORIAL EN R Y EN R Los ectores se peden representar mediante segmentos de recta dirigidos, o flechas, en R o en R. Se denotan por letras minúsclas negritas Pnto inicial del ector
Más detallesβ = 0,0012 m. A) Usando la figura 2, determine el umbral de audición para la frecuencia del
Dos pastores de La Gomera ntrodcción Silbar es na forma de transmitir información a grandes distancias en espacios abiertos. Los lgares donde se tilizan estos lengajes silbados tienen nas características
Más detallesDERIVADAS. incremento de la variable independiente, x
DERIVADAS CPR. JORGE JUAN Xvia-Narón y= f(x): (a,b)r R fnción real definida en el dominio abierto, (a,b)r x 0, x (a,b) x= x -x 0 f(x )= f(x 0 +x) f(x 0 )= f(x 0 ) pntos del dominio de la fnción. incremento
Más detallesIDENTIFICAR LOS ELEMENTOS DE UN VECTOR
8 REPSO POO OJETIVO IDENTIFICR LOS ELEMENTOS DE UN VECTOR Nombre: Crso: Fecha: Vector: segmento orientado determinado por dos pntos: (a, a ), origen del ector, y (b, b ), extremo del ector. Coordenadas
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 detalles; implícitas: x = 0. z. ; implícitas: -x+3y+2z = 0. z. , en general.
Solciones de la hoja Espacio Vectorial Crso 9- - En cada caso, determinar si F es n sbespacio ectorial de R En caso afirmatio, bscar na base nas ecaciones implícitas paramétricas de F F,, R /, R a) b)
Más detallesactividades propuestas en la unidad vectores
actiidades propestas en la nidad ectores Las respestas feron elaboradas por las Profesoras Lciana Calderón y María de los Ángeles Fernandez qienes realizan na adscripción en la Cátedra. Propesta.3: 1)
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 detallesConsideremos el siguiente problema de valores iniciales y de contorno: = M(w(x, t)), 0 < x < L, t > 0
EJEMPLOS DE RESOLUCIÓN DE PROBLEMAS NO HOMOGÉNEO POR DESARROLLO EN FUNCIONES PROPIAS 1. PROBLEMA NO-HOMOGÉNERO CON CONDICIONES DE CONTORNO HO- MOGÉNEAS Consideremos el sigiente problema de valores iniciales
Más detallesJosé Boza Chirino Análsis Múltivariante ( )
José Boza Chirino Análsis Múltivariante (007-08) TEMA I. INTRODUCCIÓN AL ANÁLISIS MULTIVARIANTE. I.1 Introdcción. En los estdios de economía y empresa cada vez es sal representar los conceptos mediante
Más detallesVECTORES EN EL PLANO. el punto B el extremo. Mientras no preste confusión el vector v podemos expresarlo simplemente por v.
COLEGIO NUESTRO SEÑOR DE LA BUENA ESPERANZA Asignatra: FÍSICA 10º Profesor: Lic. EDUARDO DUARTE SUESCÚN TALLER DE VECTORES VECTORES EN EL PLANO Vector fijo. Es n segmento orientado. Lo representamos por
Más detallesCálculo Diferencial. libro Cálculo I de los autores Larson, R., Hostetler, R.P., y Edwards, B. Ediciones Pirámide del año 2002
Cálclo Diferencial 1. Gráficas y modelos Teoría: Ver páginas y 5 del capítlo P del libro: Preparación para el Cálclo del libro Cálclo I de los atores Larson, R., Hostetler, R.P., y Edwards, B. Ediciones
Más detallesOperación Matriciales y Matrices en Sistemas de Potencia
Anexo.. Problema Reselto Considere la red mostrada en la Figra., y los sigientes datos. 4 5 6 7 8 Fig... Tabla... Datos del Sistema Línea X L -. -.5 -.84 -.5 -. -4.84-5.7-6.6 6-7.68 4-7.84 5-8.7 7-8.4
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detalles3. Campos escalares diferenciables: gradiente.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO. 3. Campos escalares diferenciables: gradiente. Plano tangente diferenciabilidad. Consideremos na fnción f :(, ) U f(, ) de dos variables n pnto (, interior al conjnto
Más detallesDERIVADA DE LA FUNCIÓN EXPONENCIAL DE CUALQUIER BASE Y DE LA FUNCIÓN LOGARÍTMO NATURAL
DERIVADA DE LA FUNCIÓN EXPONENCIAL DE CUALQUIER BASE Y DE LA FUNCIÓN LOGARÍTMO NATURAL Sgerencias para qien imparte el crso: Se deberá concebir a la Matemática como na actividad social y cltral, en la
Más detallesAB se representa por. CD y
1.- VECTORES. OPERACIONES Vector fijo Un ector fijo AB es n segmento orientado con origen en el pnto A y extremo en B Todo ector fijo AB tiene tres elementos: Módlo: Es la longitd del segmento AB. El módlo
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo
Más detallesVector director de una recta
Vector director de na recta En la figra se observa n vector libre aplicado en distintos pntos. Cada na de las flechas resltantes proporciona na recta. Se tienen así las rectas r, r y r3 qe son paralelas
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesEstructura de Computadores. 1. Ejercicios Resueltos 1.1.
Estrctra de Comptadores Tema. La nidad de memoria II. La memoria virtal Localidad de referencia. Definición de memoria cache. Estrategias de mapeado: directo, asociativo y asociativo por conjntos. Algoritmos
Más detallesLección 1: Tensiones verticales en los suelos.
Lección : Tensiones verticales en los selos. Tensión vertical en n pnto del terreno. La tensión vertical en n pnto calqiera de n selo a na profndidad es el peso de la colmna de terreno existente por encima
Más detallesGEOMETRÍA: VECTORES 1 TEMA 7: VECTORES
GEOMETRÍA: VECTORES 1 Definición de ector: TEMA 7: VECTORES Un ector es n segmento orientado qe qeda determinado por dos pntos, A y B, el primero de los pntos se denomina origen y el segndo es el extremo,
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 detalles1 Composición de funciones
Composición de fnciones La composición de fnciones o la fnción de fnción es na operación qe aparece natralmente en varias sitaciones. En esta nota, presentaremos (sin demostración) algnos de los resltados
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
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 detallesTeoría de la Comunicación Grado en Ingeniería en Tecnologías de Telecomunicación RUIDO EN LOS SISTEMAS DE COMUNICACIONES
Teoría de la Comnicación Grado en ngeniería en Tecnologías de Telecomnicación CAPÍTULO RUDO EN LOS SSTEMAS DE COMUNCACONES Marcelino Lázaro Departamento de Teoría de la Señal y Comnicaciones Universidad
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesINTEGRACIÓN POR PARTES EN FORMA TABULAR José A. Rangel M. 1
1. Introdcción INTEGRACIÓN POR PARTES EN FORMA TABULAR José A. Rangel M. 1 Es conocida la dificltad qe encentra el estdiante al aplicar la fórmla de integración por partes: = v vd. Tal dificltad comienza
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 detallesEJERCICIOS RESUELTOS DEL TEMA: GEOMETRÍA EN R 3
GEOMETRÍA Ejercicios reseltos del tema Geometría en R Jan S. Herrera Lpión EJERCICIOS RESUELTOS DEL TEMA: GEOMETRÍA EN R Ejercicio Halla n vector perteneciente a R qe sea perpendiclar a (,8,-) y cyo prodcto
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
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 detallesTema 5. Diagnosis y validación del modelo de regresión lineal múltiple
Métodos de Regresión. Grado en Estadística y Empresa Tema 5 1/8 Tema 5. Diagnosis y validación del modelo de regresión lineal múltiple 1. Multicolinealidad 1.1 Identificación y consecuencias 1. Tratamiento.
Más detallesToma de muestras personal: determinación de la incertidumbre del volumen de aire muestreado
90 Toma de mestras personal: determinación de la incertidmbre del volmen de aire mestreado Personal sampling: determination of the ncertainty of the sampled air volme Échantillonnage individel : détermination
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesALGEBRA LINEAL. 1º GRADO DE ECONOMÍA CURSO Prof. Pedro Ortega Pulido
ALGEBRA LINEAL. º GRADO DE ECONOMÍA CURSO 0-04 Prof. Pedro Ortega Plido I. ESPACIOS VECTORIALES I.. Vectores. Operaciones con vectores I.. Espacio vectorial. Propiedades I.. Sbespacio vectorial. Operaciones
Más detallesALGEBRA LINEAL. 1º GRADO DE ECONOMÍA CURSO
ALGEBRA LINEAL. º GRADO DE ECONOMÍA CURSO 0-0 I. ESPACIOS VECTORIALES I.. Vectores. Operaciones con vectores I.. Espacio vectorial. Propiedades I.. Sbespacio vectorial. Operaciones con sbespacios vectoriales
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesVECTORES EN EL PLANO
VECTORES EN EL PLANO.- PRIMERO DE BACHILLERATO.- TEORÍA Y EJERCICIOS. Pág. 1 VECTORES EN EL PLANO Vector fijo. Es n segmento orientado. Lo representamos por AB o por. El pnto A es el origen y el pnto B
Más detallesEcuaciones Diferenciales Ordinarias
Ecaciones Diferenciales Ordinarias Cristian j. P. Castillo U. ÍNDICE GENERAL PRESENTACIÓN CAPÍTULO. INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES 4. Definición de ecación diferencial 5. Clasificación de
Más detallesConcurso Nacional de Matemáticas Pierre Fermat Problemas
Concrso Nacional de Matemáticas Pierre Fermat 014 Examen para Nivel Secndaria Etapa Eliminatoria Instrcciones: No tilizar cellar (éste deberá de estar apagado), ipod, notebook, calcladora ó calqier otro
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
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 detallesVECTORES EN EL PLANO.
VECTORES EN EL PLNO. Introdcción: Magnitdes escalares ectoriales. Ha ciertas magnitdes físicas, tales como la masa, la presión, el olmen, la energía, la temperatra, etc., qe qedan completamente definidas
Más detallesMetrología Eléctrica
GRADO EN INGENIERÍA ELÉCTRICA Determinación de las incertidmbres de medida Adenda tema 6) 01-013 Metrología Eléctrica Dr. Manel Valcárcel Fontao UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA Crso 01/013
Más detallesMecánica I Tema 5. Manuel Ruiz Delgado. 1 de diciembre de 2010
Mecánica I Tema 5 Dinámica del sólido rígido Manel Ri Delgado 1 de diciembre de 010 eometría de masas Centro de masas de gravedad............................................... 4 Tensor de inercia.........................................................
Más detallesCurso de Procesamiento Digital de Imágenes
Crso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Comptación IIMAS UNAM cbíclo 408 http://tring.iimas.nam.mx/~elena/teaching/pdi-mast.html elena.martinez@iimas.nam.mx
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesÁlgebra Manuel Hervás Curso
Álgebra Manel Herás Crso 0-0 ESPACIO EUCLÍDEO Introdcción El estdio de los espacios ectoriales es na generalización de los ectores geométricos a otros casos qe responden también a la estrctra de espacio
Más detallesNOMBRE: VECTORES EN EL PLANO. Ángel de la Llave Canosa
NOMBRE: VECTORES EN EL PLANO Ángel de la Llave Canosa 1 VECTORES EN EL PLANO VECTOR FIJO Un vector fijo AB es n segmento orientado, qe está definido por dos pntos: Un pnto origen y n pnto extremo. Los
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 detallesVECTORES - PRODUCTO ESCALAR - 1 -
VECTORES - PRODUCTO ESCALAR - - Observa el rombo de la figra y calcla: B a) AB + BC b) OB + OC c) OA + OD d) AB + CD A O C e) AB + AD f) DB CA Expresa los resltados tilizando los vértices del rombo. D
Más detallesBLOQUE 4: GEOMETRÍA. Vectores. La recta en el plano
BLOQUE 4: GEOMETRÍA Vectores La recta en el plano 63 VECTORES Hay magnitdes qe no qedan bien definidas mediante n número; necesitamos conocer además s dirección y s sentido. A estas magnitdes se les llama
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
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 detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
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 detallesEstimadores insesgados lineales óptimos (BLUE)
Estimadores insesgados lineales óptimos (BLUE) Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
Más detalles4. Espacios Vectoriales
4. Espacios Vectoriales 4.. Definición de espacio, sbespacio ectorial y ss propiedades n ector es na magnitd qe consta de módlo, dirección y sentido. Algnos sin embargo; más teóricos, explicarían qe n
Más detallesLÍMITES, CONTINUIDAD Y DERIVADAS
LÍMITES, CONTINUIDAD Y DERIVADAS ÍNDICE. Concepto de límite. Propiedades de los límites 3. Definición de continidad 4. Tipos de continidad 5. Concepto de derivada 6. Tabla de derivadas 7. Crecimiento y
Más detallesEjercicios resueltos de cálculo integral. 13 de marzo del 2016
Ejercicios reseltos de cálclo integral Ciro Fabián Bermúez Márqez 3 de marzo del 06 Para todas esas personas qe sienten n profndo afecto por las matemáticas, me gstaría contarles na anécdota. En algna
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesMMII_L1_c3: Método de Lagrange.
MMII_L_c3: Método de Lagrange. Gión de la clase: Esta clase está centrada en plantearse la resolción de las ecaciones casi lineales de primer orden mediante el Método de Lagrange. El método eqivale a plantearse
Más detallesEcuaciones diferenciales homogéneas
Ecaciones dierenciales homogéneas Eisten algnas ecaciones dierenciales qe al hacer n cambio de variable adecado se redcen a ecaciones en variables separadas. Antes de estdiar las ecaciones dierenciales
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 detallesCADENAS DE MARKOV DE PARÁMETRO CONTINUO Rosario Romera Febrero 2009
CADENAS DE MARKOV DE PARÁMETRO CONTINUO Rosario Romera Febrero 29. Nociones básicas Para las cadenas de Markov con parámetro de tiempo discreto hemos visto qe la matriz de transición en n etapas pede ser
Más detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
Más detalles