Formulación Matricial

El modelo en notacin matricial
Los estimadores MCO

Supuestos clsicos y propiedades
Inferencia
Formulacin matricial del modelo lineal general

Estimadores MCO, propiedades e inferencia usando matrices
Mariana Marchionni
marchionni.mariana@gmail.com
Mariana Marchionni
1 / 49

Los estimadores MCO
Inferencia
Temario de la clase
1
2
3
4
El modelo en notacion matricial

Estimadores MCO y propiedades algebraicas
Supuestos clsicos y propiedades estadsticas
Inferencia
Mariana Marchionni
2 / 49

Los estimadores MCO
Inferencia
El modelo lineal con
variables
Vimos el modelo
Y
i = 1 + 2 X2i + 3 X3i + + K XKi + ui , i = 1, ...n
Como vale para i = 1, ..., n, entonces podemos escribir:

Y1
Y2
= 1 + 2 X21 + 3 X31 + + K XK 1 + u1
= 1 + 2 X22 + 3 X32 + + K XK 2 + u2
..
.
n = 1 + 2 X2n + 3 X3n + + K XKn + un
Sistema de n ecuaciones lineales. Lineales en qu?

Todo sistema lineal puede ser expresado en matrices
Mariana Marchionni
3 / 49

Los estimadores MCO
Inferencia
Formulacin matricial del modelo

Notar que el modelo puede escribirse como:
Y1
Y2

.. =
.
1
1
..
.
K1
X22
X32
XK 2
..
.. . .
..
.
.
.
.
1 X2n X3n XKn
X21
X31

1
2

.. +
.
K

u1
u2
..
.
un
u
Qu dimensiones tiene cada matriz/vector?
Mariana Marchionni
4 / 49

Los estimadores MCO
Inferencia
La matriz y los vectores
1
1
..
.
K1
X22
X32
XK 2
X =
..
.. . .
..
.
.
.
.
1 X2n X3n XKn
Y1
1
u1
Y2
2
u2
= .
u = .
= .
..
..
..
Yn
K
un
Las dimensiones:
X21
es (n K ),
Mariana Marchionni
X31
son (n 1), y es (K 1).
5 / 49

Los estimadores MCO
Inferencia
Entonces, el modelo
Y
i = 1 + 2 X2i + 3 X3i + + K XKi + ui , i = 1, ...n
Puede escribirse como

Y
= X +u
Este es el modelo lineal general (K variables) expresado en

notacin matricial
Ventaja: nos permitir trabajar expresiones sin el uso de
sumatorias
Desventaja: trabajar con lgebra matricial
Mariana Marchionni
6 / 49

Los estimadores MCO
Inferencia
Digresin: deniciones y resultados de lgebra matricial

1
2
3
4
5
Rango de una matriz.
Nmero mximo de las y/o columnas linealmente

independientes (li): (X )
Mximo nro. de columnas li = mximo nro. de las li
Matriz no singular:
Una matriz cuadrada A(K K ) es no singular, sii |A| 6= 0

existe una nica matriz no singular A1 , a la que llamamos
inversa de A, tal que AA1 = A1 A = IK
(A) = K = |A| 6= 0
Sea una matriz A(K K ) . Entonces:
(A) < K = |A| = 0
Sea una matriz X(nK ) con (X ) = K (rango columna
completo). Se cumple que (X ) = (X 0 X ) = K
Mariana Marchionni
7 / 49

Los estimadores MCO
Inferencia
Qu es
X 0X
Supongamos
X =
1
1
1
en nuestro modelo?
n
=3 y
= 2:

X21
3
X22 X 0 X =
X21 + X22 + X23
X23
Generalizando para cualquier
X 0X
n
X2
X3
.
.
.
XKi
X21 + X22 + X23

2 +X2 +X2
X21
22
23
y K:
X2i
X22i
X2i X3i
.
.
.
X2i XKi
Mariana Marchionni
X3i
X2i X3i
X32i
.
.
.
X3i XKi
..
XKi
X2i XKi
X3i XKi
.
.
.
2
XKi
8 / 49

Los estimadores MCO
Inferencia
Qu es
X 0X
Supongamos
X =
1
1
1
en nuestro modelo?
n
=3 y
= 2:

X21
3
X22 X 0 X =
X21 + X22 + X23
X23
Generalizando para cualquier
X 0X
n
X2
X3
.
.
.
XKi
X21 + X22 + X23

2 +X2 +X2
X21
22
23
y K:
X2i
X22i
X2i X3i
.
.
.
X2i XKi
Mariana Marchionni
X3i
X2i X3i
X32i
.
.
.
X3i XKi
..
XKi
X2i XKi
X3i XKi
.
.
.
2
XKi
8 / 49

Los estimadores MCO
Inferencia
Qu se requiere para que (X ) = K ?
.
.
.
X =
X21 X31 X
X22 X32 X
.
.
.
X2
.
.
.
..
X3
.
.
.
Kn
Vimos que (X ) = (X 0 X ) (resultado 5)

(X ) = K (X 0 X ) = K (X 0 X )1
Esto es muy importante, ya veremos...
Mariana Marchionni
9 / 49

Los estimadores MCO
Inferencia
Qu se requiere para que (X ) = K ?
.
.
.
X =
X21 X31 X
X22 X32 X
.
.
.
X2
.
.
.
..
X3
.
.
.
Kn
Vimos que (X ) = (X 0 X ) (resultado 5)

(X ) = K (X 0 X ) = K (X 0 X )1
Esto es muy importante, ya veremos...
Mariana Marchionni
9 / 49

Los estimadores MCO
Inferencia
Digresin: derivando con matrices
Resultado 1: sean a y b dos vectores (K 1), entonces:

(b 0 a)
b = a
Resultado 2: sea A una matriz simtrica (K K ) y b un
vector (K 1), entonces:
(b 0 Ab )
b
Mariana Marchionni
= 2Ab
Formulacin matricial del modelo lineal general 10 / 49

Los estimadores MCO
Inferencia
Chequeamos resultado 1:
Supongamos
Notar que
(b 0 a)
b
= 2: a =
0
b a
a1
a2
(b 0 a )
b
=a
b1
b2
es un escalar!
y b=
= b1 a1 + b2 a2
es un escalar derivado por un vector. Y eso?
Derivar por un vector (K 1) es derivar por cada uno de los K

elementos del vector. Luego, las K derivadas se apilan en un
nuevo vector (vector de derivadas).
Derivamos:
(b 0 a )
=
b
"
es el vector de derivadas!
(b 0 a)
b1
(b 0 a)
b2
Mariana Marchionni

=
a1
a2

=a

Los estimadores MCO
Inferencia
Chequeamos resultado 2:
Supongamos otra vez
(b 0 Ab )
b
= 2: b =
= 2Ab
b1
b2
y A=
A11 A12
A12 A22
Notar que b0 Ab = b12 A11 + b22 A22 + 2b1 b2 A12 es una funcin
cuadrtica en b (y es un escalar)
Entonces, qu es
Derivamos:
(b0 Ab)
=
b
"
(b 0 Ab )
b ?
(b 0 Ab )
b1
(b 0 Ab )
b2

=
Mariana Marchionni
2b1 A11 + 2b2 A12

2b2 A22 + 2b1 A12
= 2Ab

Los estimadores MCO
Inferencia
MCO en matrices
La formulacin matricial del modelo lineal general: Y = X + u
Sea el vector que apila los estimadores del vector de
parmetros

1
2
= .
..
K
Deniciones
1 Vector de estimaciones de
X
Y
(n 1):
Vector de residuos o errores de estimacin (n 1):

e
Y Y = Y X
Mariana Marchionni

Los estimadores MCO
Inferencia
Recordemos la funcin de prdida del mtodo de MCO:
SRC
n 2
ei =
i =1
e1
e2
e1

e2
.
n
..
Es decir, la suma de residuos cuadrticos se puede reescribir

como:
SRC
e e
Recordando que e Y X es fcil ver que SRC es una

funcin de :
SRC
( ) (Y X )0 (Y X )
Mariana Marchionni

Los estimadores MCO
Inferencia
El problema de MCO:
Min SRC ( ) e 0 e = (Y X )0 (Y X )
Notar que la funcin a minimizar es escalar (1 1)

Hay que derivar un escalar respecto del vector
Las CPO igualan el vector de derivadas al vector cero:
SRC ( )
=0

Sistema de
ecuaciones con
Mariana Marchionni
incgnitas

Los estimadores MCO
Inferencia
Obtencin de los estimadores MCO

0
e e
0

0

Y = Y X
Y X
= Y 0 Y Y 0 X 0 X 0 Y + 0 X 0 X
= Y 0 Y 20 X 0 Y + 0 X 0 X
El ltimo paso requiere notar que los trminos 2do y 3ro son
escalares iguales
Ahora hay que derivar respecto del vector
0
Notar que el 2do trmino es de la forma b a (recordar
resultado 1)
Notar que el 3er trmino es de la forma
b0 Ab
(recordar
resultado 2)
Mariana Marchionni

Los estimadores MCO
Inferencia
La funcin a minimizar:
0
e e
= Y 0 Y 20 X 0 Y + 0 X 0 X
Las CPO:
e 0e
= 0 2X 0 Y + 2X 0 X = 0 X 0 X = X 0 Y
Si existe (X 0 X )1 , entonces:
= (X 0 X )1 X 0 Y
es el vector de estimadores MCO
Mariana Marchionni

Los estimadores MCO
Inferencia
De qu depende que exista (X 0 X )1 ?

Vimos antes que si X es (n K ) con (X ) = K (rango
columna completo), entonces (X ) = (X 0 X ) = K
Entonces:

1
X 0 X = K |X 0 X | 6= 0 X 0 X
El supuesto de no multicolinealidad perfecta justamente dice
que (X ) = K
La ausencia de multicolinealidad perfecta es necesaria para que
exista el vector de estimadores MCO
Mariana Marchionni

Los estimadores MCO
Inferencia
Propiedades algebraicas en notacin matricial

Propiedad 1: los estimadores de MCO son lineales, es decir tienen
la forma
= AY
donde A es una matriz (K n) con elementos

aleatorios).
no estocsticos
(no
Prueba:
Los estimadores MCO son = (X 0 X )1 X 0 Y
Si llamamos A a la matriz (X 0 X )1 X 0 (de dimensin K n),
queda escrito en la forma lineal
Mariana Marchionni

Los estimadores MCO
Inferencia
Propiedad 2: X 0 e = 0
Puede obtenerse a partir de la CPO: X 0 X = X 0 Y
Implica 2 resultados que ya vimos antes:
n
ei = 0
1
i
=1
n
Xki ei = 0 k = 2, ...K
2
i
=1
Intuicin?
Mariana Marchionni

Los estimadores MCO
Inferencia
Propiedad 3: similar a la propiedad anterior:

0 = 0
Y e
Propiedad 4: el punto (X , Y ) pertenece al hiperplano estimado por

MCO:
=X

Mariana Marchionni

Los estimadores MCO
Inferencia
Bondad del ajuste usando notacin matricial

La descomposicin de la suma de cuadrados es
N
(Yi Y )2 =
N
(Yi Y )2 +
N
ei2
i =1
0
2
Y Y nY
| {z }
i =1
0 nY 2
Y
| Y {z
}
i =1
0
e e
|{z}
STC
SEC
SRC
Entonces, la bondad del ajuste puede escribirse como:

R
Ver
0
0 nY 2
e e
=
1
0
0
2
2
Y Y nY
Y Y nY
Y Y
ajustado
Mariana Marchionni

Los estimadores MCO
Inferencia
Supuestos clsicos en notacin matricial
Modelo lineal:
Y
= X +u
Supuestos clsicos:
1 E (u ) = 0
2 V (u ) = 2 I
3 X es una matriz (n K ) no estocstica (no aleatoria) con
(X ) = K (rango columna completo)
n
Mariana Marchionni

Los estimadores MCO
Inferencia
Esperanza de
Recordemos que u es un vector aleatorio

E (u ) es el vector de las esperanzas
u =
( )
E (u2 )
u2
.. = E (u ) = ..
.
.
E (un )
un
u1
E u1
El supuesto 1 establece que el vector de esperanzas es igual al

vector nulo, es decir:
( i ) = 0 para i = 1, ...n
E u
Mariana Marchionni

Los estimadores MCO
Inferencia
Matriz de varianzas y covarianzas de
La matriz de varianzas y covarianzas de un vector aleatorio

se dene como:
( ) = E [(u E (u ))(u E (u ))0 ]
V u
[ ]
Cov [u2 , u1 ]
=
..
.
Cov [un , u1 ]
V u1
[ , n]
Cov [u2 , un ]
..
.
..
.
.
.
.
Cov [un , u2 ]
V [un ]
[ , ]
V [u2 ]
Cov u1 u2
Cov u1 u
Notar que V [u ] es una matriz n n y simtrica

Qu signica entonces suponer que V (u ) = 2 In ?
Notar: V (u ) = E (uu 0 )
Mariana Marchionni

Los estimadores MCO
Inferencia
Propiedades estadsticas de los estimadores MCO
es un vector que contiene
variables aleatorias
Qu propiedades conocan en el caso de MCO con 2
variables? De qu dependan?
Vamos a demostrar esas mismas propiedades usando notacin
matricial
Mariana Marchionni

Los estimadores MCO
Inferencia
Insesgadez de
=
=
=
=
(X 0 X )1 X 0 Y
(X 0 X )1 X 0 (X + u )
(X 0 X )1 X 0 X + (X 0 X )1 X 0 u
+ (X 0 X )1 X 0 u
()
[] = + (X 0 X )1 X 0 E [u ]
=
Mariana Marchionni

Los estimadores MCO
Inferencia
Varianza de
Mostraremos que
V
( ) = 2 (X 0 X )1
[] =
=
=
=
=
=
=
=
[( E ( )) ( E ( ))0 ]
0
E [( ) ( ) ]
0
1
0
0
1 X 0 u )0 ]
E [(X X )
X u ((X X )
0
1 X 0 uu 0 X (X 0 X )1 ]
E [(X X )
0
1
(X X ) X 0 E [uu 0 ] X (X 0 X )1
(X 0 X )1 X 0 2 In X (X 0 X )1
2 (X 0 X )1 X 0 X (X 0 X )1
2 (X 0 X )1
E
Es importante saber qu supuestos fueron utilizados para

obtener esta expresin.
Mariana Marchionni

Los estimadores MCO
Inferencia
Qu dimensin tiene
[1 ]
Cov [1 , 2 ]
=
V [ ]
..
Cov [1 , K ]
( ) = 2 (X 0 X )1 ?
[1 , 2 ]
V [2 ]
[1 , K ]

Cov [2 , K ]
..
..
..
.
.
.

Cov [2 , K ]
V [K ]
Cov
Cov
Notar:
V [ ] = 2 A , k = 1, ...K ,
es el elemento en la la k y columna k de la matriz
cada elemento de la diagonal es
donde
kk
(X 0 X )1
kk
cada elemento fuera de la diagonal es
Cov [ , ] = 2 A , j 6= k , donde A
j y columna k de la matriz (X 0 X )1
j
jk
Mariana Marchionni
jk
es el elemento en la la

Los estimadores MCO
Inferencia
V () en la prctica
V
( ) depende de 2 , un valor desconocido.
En su lugar usaremos un estimador insesgado:
n
0
= n1K ei2 = neeK
i =1
Luego, el estimador de la matriz de varianzas y covarianzas es:

( ) = S 2 (X 0 X )1
Mariana Marchionni

Los estimadores MCO
Inferencia
Teorema de Gauss-Markov
Bajo todos los supuestos clsicos, el estimador de MCO es el ms
eciente de todos los estimadores lineales e insesgados (MELI).
Adems: sea c un vector de K constantes arbitrarias, c 0 es el
mejor estimador lineal e insesgado de c 0 .
Es decir, la combinacin lineal de los estimadores MCO es MELI
para estimar la combinacin lineal de los parmetros.
Al aplicar el TGM para comparar un estimador con ,
recuerden los requisitos:
1
Modelo lineal
Se deben cumplir los supuestos clsicos (cond. nec. y suf.)
El estimador a comparar debe ser lineal e insesgado para
Mariana Marchionni

Los estimadores MCO
Inferencia
Ver demostracin del TGM en apndice
Mariana Marchionni

Los estimadores MCO
Inferencia
Inferencia en el modelo lineal general
Supuesto adicional: normalidad

u
N (0, 2 In )
Resultado: tiene distribucin normal multivariada

N ( , 2 (X 0 X )1 )
Por qu?
Mariana Marchionni

Los estimadores MCO
Inferencia
Test de hiptesis simples

En forma general, consideremos una prueba con la siguiente
hiptesis nula:
H0 : c 0 r = 0
c
es algn vector de
constantes y
H0 :
es algn escalar. Es decir:
cj j r = 0
=1
c y r , podemos considerar distintos casos

H0 :
=0
Signicatividad individual: H0 :
=r
Valores particulares: H0 :
=
Igualdad de dos coecientes: H0 :
Dependiendo de
particulares para
1
2
3
4
Otros: sumas y diferencias de coecientes, etc.
Mariana Marchionni

Los estimadores MCO
Inferencia
Dado que N , V ( ) , entonces:

c
0
r
( 0 r ), V (c 0 r )
E c
Calculemos la esperanza y la varianza de esta combinacin

lineal:
E
0
r
0
r
= c 0 V [ ]c
Luego:
c
0
r
Mariana Marchionni
r , 2 c 0 (X 0 X )1 c

Los estimadores MCO
Inferencia
Bajo la
H0
r el estadstico de prueba es:
c 0 r N (0, 1)
V [c 0 r ]
Por lo tanto, se pueden utilizar los criterios usuales: valores

crticos y/o p-valor.
En la prctica, se usa S 2 en lugar de 2 , entonces:
0
r
h i
= c 0 V c = S 2 c 0 (X 0 X )1 c
Luego,
c 0 r T
nK
V [c 0 r ]
Mariana Marchionni

Los estimadores MCO
Inferencia
Signicatividad global (Test F)

En el modelo de
variables,
i = 1 + 2 X2i + ... + K XKi + ui
Consideremos las siguientes hiptesis:

H0
H1
: 2 = 0 3 = 0 ... K = 0
: 2 =
6 0 3 6= 0 ... K 6= 0
Para este caso, el estadstico es:

F
SCE /(K 1) F
= SRC
(K 1,nK )
/(nK )
Qu valores esperaran para

Mariana Marchionni
si la
H0
fuese verdadera?

Los estimadores MCO
Inferencia
Signicatividad de un grupo de variables

En el modelo de
variables,
i = 1 + 2 X2i + ... + K XKi + ui
Consideremos las siguientes hiptesis:

: 2 = 0 3 = 0
H1 :
2 =
6 0 3 6= 0
H0
Cul es la diferencia con el caso anterior?

Pensemos que estamos contrastando dos modelos:
1 Modelo irrestricto : contiene a las K variables explicativas.
2 Modelo restricto : considera como verdadera a la H0 .
Mariana Marchionni

Los estimadores MCO
Inferencia
Si la
1
2
contiene q restricciones de signicativad, llamemos:

SRC a la SRC del modelo con K variables.
SRC a la SRC del modelo que excluye las q variables
consideradas en la H0 .
H0
El estadstico de prueba para contrastar

F
Si la
H0
H0
es:
SRC )/q
= (SRC
SRC /(nK ) F(q,nK )
R
fuese verdadera, qu valores esperaran para F ?
Mariana Marchionni

Los estimadores MCO
Inferencia
Ejemplo: materias aprobadas y horas de estudio

Muestra: 1961 estudiantes de la carrera Contador Pblico de la
UBA encuestados en 1994.
Referencia: Sosa Escudero, Giovagnoli y Porto (2007) The Eects
of Individual Characteristics on the Distribution of College
Performances .
Mariana Marchionni

Los estimadores MCO
Inferencia
Estimacin MCO
Mariana Marchionni

Los estimadores MCO
Inferencia
Ni la edad ni el gnero son individualmente signicativas para

explicar a la performance acadmica (valor-p mayores a 0.10).
Un ao adicional en educacin de los padres aumenta un 2 %
la cantidad promedio de materias aprobadas, ceteris paribus.
Dado todo lo dems constante, la relacin entre el total de
materias aprobadas y las horas de estudio es no lineal (la
variable horas2 es estadsticamente signicativa al 1 %).
Cmo evaluarian la hiptesis de que las horas de estudio no
afectan a el total de materias aprobadas?.
Mariana Marchionni

Los estimadores MCO
Inferencia
Si escribimos el modelo de la siguiente manera:

i=
ltotmat
1 + 2 horasi + 3 horasi2 + 4 edadi +

+ 5 hombrei + 6 educmpi + ui
Podemos utilizar el test de signicatividad para un grupo de

variables:
H0 :
2 = 0 3 = 0
H1 :
2 6= 0 3 6= 0
En Stata:
Mariana Marchionni

Los estimadores MCO
Inferencia
Apndice: demostracin del teorema de Gauss-Markov

(TGM)
El enunciado del teorema formalmente

si es el vector de estimadores MCO del vector de parmetros y
es cualquier otro vector de estimadores lineales e insesgados de
, entonces bajo los supuestos clsicos V ( ) V ( ) es una matriz
semidenida positiva
Mariana Marchionni

Los estimadores MCO
Inferencia
Denicin: matriz semidenida positiva

Sea H una matriz K K y sea c cualquier vector de
Se dice que H es semidenida positiva si y slo si:
0
c Hc
constantes.
0 c RK
Resultado: varianza de una combinacin lineal

Sea el vector de K estimadores MCO (variables aleatorias) y sea
c cualquier vector de K constantes
[ 0 ] = c 0 V [ ]c c RK
V c
Mariana Marchionni

Los estimadores MCO
Inferencia
Denicin: matriz semidenida positiva

Sea H una matriz K K y sea c cualquier vector de
Se dice que H es semidenida positiva si y slo si:
0
c Hc
constantes.
0 c RK
Resultado: varianza de una combinacin lineal

Sea el vector de K estimadores MCO (variables aleatorias) y sea
c cualquier vector de K constantes
[ 0 ] = c 0 V [ ]c c RK
V c
Mariana Marchionni

Los estimadores MCO
Inferencia
Supongamos el modelo lineal, donde u cumple con todos los

supuestos clsicos.
Consideremos a un estimador que cumpla con:
1
2
Lineal: existe
Insesgado:
A no estcostica de n K
E ( ) =
tal que
= AY .
En este contexto, el requisito de linealidad hace que:

E
( ) = AX
Qu requisito debe cumplir

tambin sea insesgado?
Mariana Marchionni
para que adems de lineal

Los estimadores MCO
Inferencia
Falta demostrar que

Denamos a
( ) V ( ) es semidenida positiva.
=
o trivialmente:
= +
Noten que:
V
( ) = V ( ) + V () + 2COV ( , )
Importante: si mostramos que

teorema (por que?).
Mariana Marchionni
COV
( , ) = 0 probaremos el

Los estimadores MCO
Inferencia
Computemos la covarianza:
h
i
0
E ( E ( ))( E ( ))
h
i
0
=
E ( )
) =
COV ( ,
[por qu?]
Noten que:
0 )1 X 0 Y
=
AY (X0 X

1X 0 Y
=
A (X X )

= A (X 0 X )1 X 0 (X + u )
0
1 X 0 u
=
A (X X )
Mariana Marchionni

Los estimadores MCO
Inferencia
Recordando que = (X 0 X )X 0 u , la covarianza queda:

COV
( , ) =
h
i
( )0
0 1 0 0

0
1 0 0
=
E (X X )
0 1X 0uu 0(A 0 (X X )0 X1)
=
E (X X )
X uu (A X (X X )
)
0
0
1
0
0
0
1
=
(X X ) X E (uu ) A X (X X )

= 2 (X 0 X )1 X 0 A0 (X 0 X )1 X 0 X (X 0 X )1
=
0
Por lo tanto, V ( ) V ( ) = V (), que por denicin es

semidenida positiva.
Mariana Marchionni

Formulación Matricial

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Formulación Matricial

Diunggah oleh

Hak Cipta:

Format Tersedia

El modelo en notacin matricial

Los estimadores MCO

Formulacin matricial del modelo lineal general

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

El modelo en notacion matricial

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

El modelo lineal con

i = 1 + 2 X2i + 3 X3i + + K XKi + ui , i = 1, ...n

Como vale para i = 1, ..., n, entonces podemos escribir:

n = 1 + 2 X2n + 3 X3n + + K XKn + un

Sistema de n ecuaciones lineales. Lineales en qu?

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

Formulacin matricial del modelo

Qu dimensiones tiene cada matriz/vector?

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

La matriz y los vectores

son (n 1), y es (K 1).

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

i = 1 + 2 X2i + 3 X3i + + K XKi + ui , i = 1, ...n

Puede escribirse como

Este es el modelo lineal general (K variables) expresado en

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

Digresin: deniciones y resultados de lgebra matricial

Rango de una matriz.

Nmero mximo de las y/o columnas linealmente

Una matriz cuadrada A(K K ) es no singular, sii |A| 6= 0

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

Generalizando para cualquier

X21 + X22 + X23

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

Generalizando para cualquier

X21 + X22 + X23

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

Qu se requiere para que (X ) = K ?

Vimos que (X ) = (X 0 X ) (resultado 5)

Esto es muy importante, ya veremos...

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

Qu se requiere para que (X ) = K ?

Vimos que (X ) = (X 0 X ) (resultado 5)

Esto es muy importante, ya veremos...

Formulacin matricial del modelo lineal general

El modelo en notacin matricial

Digresin: derivando con matrices

Resultado 1: sean a y b dos vectores (K 1), entonces:

Formulacin matricial del modelo lineal general 10 / 49

El modelo en notacin matricial

es un escalar derivado por un vector. Y eso?

Derivar por un vector (K 1) es derivar por cada uno de los K

Formulacin matricial del modelo lineal general 11 / 49

El modelo en notacin matricial

2b1 A11 + 2b2 A12

Formulacin matricial del modelo lineal general 12 / 49

El modelo en notacin matricial

Digresin: deniciones y resultados de lgebra matricial

Nmero mximo de las y/o columnas linealmente