Documente Academic
Documente Profesional
Documente Cultură
.
+ =
+ =
=
) (
| |
T
1
T
X X X
.
+ =
+ =
.
X Y
.
S2-Esperanza nula
otro supuesto de MCO indica que es el error del ajuste, cuya esperanza
matemticamentees cero.
S3-Insesgadez
En primer lugar, contar con un estimador insesgado nos asegura que el valor esperado
de nuestro clculo coincide con el valor real del parmetro. Este requisito es
fundamental a la hora de realizar una estimacin. Partiendo de la ec. (3)
(4)
Entonces se cumple la insesgades tal como se muestra en la ecuacin (4)
0 ) ( = E
| |
| | | |
( ) | |
0 ) (
) ( ) (
) (
=
+ =
+ =
+ =
E
E X X X E E
X X X E E
X X X
T
1
T
T
1
T
T
1
T
=
.
) ( E
S4-Ausencia de autocorrelacin
Este supuesto indica que la variable y las perturbaciones no estn correlacionadas es
decir no existe autocorrelacinentre los errores; por lo tanto la covarianza (Cov) de los
errores es igual a cero, =0 , lo cual implica que no existe autocorrelacinen la variable
dependiente, es decir, Cov (Y
i
, Y
j
) =0.
(5)
S5-Matriz de varianza covarianza
Llevndolo a su forma matricial : (6)
donde fi es un valor arbitrario.
) ( 0 ) ( ) ( ) , cov(
= = = t E E
t t
| | { }
) ,..., 2 , 1 ( ) ( ) (
) ( ) (
2
2
n t E Var
E E Var
t t
t t t
= =
=
= ) (
T
E
| | | |
) ( )] ( ) [( ] ) [(
)) ( )( ( )) ( ))( ( ( ) , cov(
t t t
t t t t
E E E E
E E E E E
= =
= =
Varianza del estimador :
Para obtener la mnima varianza de MCO se obtiene la varianza del estimador
usando la ecuacin (4) tenemos
Usando la ecuacin (3) tenemos
de la ecuacin (6) se tiene fi:
El mtodo de MCO no es el mejor estimado de la mnima varianza por el valor arbitrario
que proporciona este mtodo. Por esta razn se dice que MCO no es eficiente.
(
=
. . . . .
T
)) E( - ))( E( - ( E ) var(
(
=
. . .
T
) - )( - ( E ) var(
.
.
| |
T
1
T
X X X
.
+ =
| | | | | | | | | |
| | | | X X X E X X X ) var(
X X X X X X E ) var(
1 T T T
1
T
T T 1 T T
1
T
.
=
=
) (
| | | |
1
T T
I
T
1
T
X X E X X X X ) var(
.
=
) (
| | | |
1
T
MCO
1
T
X X ) var( X X ) var(
.
.
= ~ =
Se puede obtener la mnima varianza de
solo si : donde :
Siendo una matriz simtrica, definida positiva.
y es homocedastica y no correlativa, entonces, se tendra:
Como se menciono anteriormente aqu no se ha demostrado que sea homocedastica, en GM
se demostrara este supuesto.
I
2
=
) var(
.
| |
1 T
X X ) var(
.
=
2
I
p n
X Y X Y
I
T
i i i i
.
) )( (
2
=
1.1. Metodo de Gauss Markov GM
El Metodo de Gauss Markov afirma que la estimacin por mnimos cuadrados
generalizados del modelo terico de regresin es ptima en el sentido de que hace
mnimo el mdulo del vector de residuos (mnima varianza).
S6-Supuesto de Homocedasticidad
Se dice que existe homocedasticidadcuando la varianza de los errores de la regresin
es la mismapara cada observacini (de 1a n observaciones), es decir:
donde es un escalar constante para todo i. Lo que significara que habra una
distribucinde probabilidadde idntica amplitudpara cada variable aleatoria.
Esta cualidad es necesaria, segn el teorema de Gauss Mrkov, para que en un
modelo los coeficientes estimados sean los mejores o eficientes, lineales e
insesgados.
Entonces la varianza de es la mismapara todas las observaciones
Enel modelo la matriz de varianzas de los errores es de la forma
(7)
n i E
i
, 1 ) (
2 2
= =
2
| | { }
) ,..., 2 , 1 ( ) ( ) (
) ( ) (
2 2
2
n t E Var
E E Var
t t
t t t
= = =
=
= = I E
T 2
) (
Entonces homocedasticidad significa igual dispersin, en otras palabras significa
que las poblaciones Y correspondientes a diversos valores de X tienen la misma
varianza .
Transformando el modelo inicial de una forma conveniente de modo
que se cumplan todos los supuestos de Gauss Markov (supuesto de
homocedasticidad)
Definimos la matriz como simtricay positiva.
Ahora esta matriz debe ser igual a una matriz Q que es simtrica y no singular.
Entonces definimos la matriz conlas siguientes propiedades:
(8)
Se considera la siguiente transformacin del modelo lineal general multiplicando por
+ =
.
X Y
QQ =
2
1
Q
* * * 1 1 1
+ = + = + =
X Y Q X Q Y Q X Y
1 * 1 * 1 *
= = = Q X Q X Y Q Y
Ahora nos queda verificar que el modelo transformado de esta forma cumpla con todos los
supuestos del teorema de Gauss Markov
Linealidad: el modelo sigue siendo lineal dado que es funcin lineal de
Esperanza nula:
Para cumplir con el supuesto de homocedasticidadrecurrimos a la ecuacin (7) donde:
El estimador de mnimos cuadrados generalizados (MCG) se define como el estimador de
mnimos cuadrados ordinarios de en el modelo transformado:
(9)
0 ) ( ) ( ) (
0
1 1 *
= = =
E Q Q E E
I QQ Q Q Q E Q Q Q E E
I
I
T T
T
= = = = =
1 1 1 1 1 1 * * *
) ( ) ) ( ( ) (
NOTA: Como Q es una matriz simtrica se cumple que
T
Q Q =
*
Y
| |
| |
Y Q Q X X Q Q X
Y Q X Q X Q X Q
Y X X X
T T
MCG
T T
MCG
T
*
1
*
T
*
MCG
1 1
1 1
1
1 1
1 1
1
1 1
*
) ( ) ( ) ( ) (
.
.
(
(
=
=
=
| | Y X X X
T T
MCG
1
1
1
.
=
El estimado se puede escribir tambin como:
Ahora calculamos la varianza del estimado de mnimos cuadrados
generalizados
(10)
Para el clculo de recurrimos a la ecuacin por insesgades del modelo
lineal se tiene:
Ahora remplazamos la ecuacin anterior de insesgades en la ecuacin (10)
(11)
MCG
.
| | ) (
1
1
1
+ =
.
X X X X
T T
MCG
| |
1
1
1
.
+ =
T T
MCG
X X X
(
=
. . . . .
T
MCG
)) E( - ))( E( - ( E Var ) (
MCG
.
=
.
) E(
MCG
) (
MCG
Var
.
(
=
. . .
T
MCG
) - )( - ( E Var ) (
| | | | ( )
| | | |
| | | |
1
1 1 1
1
1
1
1 1 1
1
1
1
1
1 1
1
1
) (
) ( ) (
) (
.
=
=
(
=
X X X X X X Var
X X X E X X X Var
X X X X X X E Var
T
I I
T T
MCG
T T T T
MCG
T
T T T T
MCG
| |
1
1
) (
.
= X X Var
T
MCG
2. CALCULO DE LA COMPONENTE Y
CALCULO DE LA COMPONENTE Y
. La incertidumbrepor indicacin de la balanza debida a la resolucin y desviacin de la
balanza
Incertidumbre por el factor de sensibilidad de la balanza ( )
Para balanzas electrnicas se asume que su incertidumbre es despreciable u( )=0
La incertidumbre combinada de la pesa patrn
.
i ai Pi P P s
V X m f I y + A + + + = . ). ( .
desviacin resolucin A
I I I u d u I + = A + = ) ( ) (
( ) ( ) ( )
cP cPcert cP
m u m u m u
2 2
+ =
s
f
s
f
Incertidumbre por la Densidad del aire:
La incertidumbre debido a la correccin por empuje del aire ser calculada de la siguiente
forma
La incertidumbre del volumen de la masa patrn y la masa a calibrar
Para calcular la incertidumbre de y derivamos cada una de sus componentes, tal como se
muestra a continuacin
( )
( )
( )
( )
( ) ( ) ( ) | |
( )
4
2
4
2
2
2
2
P
P
o al o a o a
i
i
o a a
i P
i i P
cP
nP
ni
i E
u u
u m
m
m
u
+ +
(
=
)) ( ) ( ( ) (
2 2 2
+
= A V u V u V u
i
Y
ai Pi
Y
P P
Y
s
V X m f I y + A + + + =
3 2
1
. . ) ( .
.
( ) ( )
( ) ) ( . ) ( ) ( .
) ( . ) ( .
) (
) (
) (
) (
) (
2 2 2 2 2
2 2 2 2
2
2
2
2
1
s s
s s
s
s
s s 2
f u I rept u resl u f
f u I I u f
f u
f
f I
I u
I
f I
Y u
+ + =
+ =
(
c
c
+
(
c
c
=
( ) ( )
)) ( ) ( (
) ( ) (
) (
) (
) (
) (
) (
2 2 2
2 2 2 2
2
2
2
2
2
P P P
P P P P
P
P
P P
P
P
P P 2
u m u X
u X m u X
u
X
m u
m
X m
Y u
+ =
+ =
(
c
c
+
(
c
c
=
( ) ( )
)) ( ) ( ( ) ( .
) ( . ) ( .
) (
) (
) (
) (
) (
2 2
2
2 2
2 2 2 2
2
2
2
2
3
+
+ A =
A + A =
A
(
A c
A c
+
(
c
A c
=
V u V u u V
V u u V
V u
V
V
u
V
Y u
a a
a a
a
a
a
a
2
.
= X X Var
T
MCG
p n
X Y X Y
T
i i i i
=
) )( (
2
.
= X X Var
T
MCG
| | Y X X X
T T
MCG
1
1
1
.
=
GRACIAS POR SU ATENCION