Mtodos de mnimos cuadrados.

El procedimiento mas objetivo para ajustar una recta a un conjunto de datos presentados en un diagrama de dispersin se conoce como "el mtodo de los mnimos cuadrados". La recta resultante presenta dos caractersticas importantes: 1. Es nula la suma de las desviaciones verticales de los puntos a partir de la recta de ajuste (Y - Y) = 0. 2. Es mnima la suma de los cuadrados de dichas desviaciones. Ninguna otra recta dara una suma menor de las desviaciones elevadas al cuadrado (Y - Y) 0 (mnima). El procedimiento consiste entonces en minimizar los residuos al cuadrado Ci

Re emplazando

nos queda

La obtencin de los valores de a y b que minimizan esta funcin es un problema que se puede resolver recurriendo a la derivacin parcial de la funcin en trminos de a y b: llamemos G a la funcin que se va a minimizar:

Tomemos las derivadas parciales de G respecto de a y b que son las incgnitas y las igualamos a cero; de esta forma se obtienen dos ecuaciones llamadas ecuaciones normales del modelo que pueden ser resueltas por cualquier mtodo ya sea igualacin o matrices para obtener los valores de a y b.

Derivamos parcialmente la ecuacin respecto de a

Primera ecuacin normal

Derivamos parcialmente la ecuacin respecto de b

Segunda ecuacin normal

Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante. Veamos el siguiente ejemplo: En un estudio econmico se desea saber la relacin entre el nivel de instruccin de las personas y el ingreso. EJEMPLO 1 Se toma una muestra aleatoria de 8 ciudades de una regin geogrfica de 13 departamentos y se determina por los datos del censo el porcentaje de graduados en educacin superior y la mediana del ingreso de cada ciudad, los resultados son los siguientes: CIUDAD : 1 2 3 4 5 6 7 8 % de (X) Graduados : 7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2 Ingreso (Y) Mediana : 4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4 (0000)

Tenemos las ecuaciones normales

y = na + bx xy = ax + bx

Debemos encontrar los trminos de las ecuaciones y, x, xy, x Por tanto procedemos de la siguiente forma:

XY

4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4 43.5

7.2 6.7

30.24 32.83

51.84 44.89

17.0 119.00 289.00 12.5 6.3 77.50 23.94 156.25 39.69

23.9 181.64 571.21 6.0 10.2 26.40 55.08 36.00 104.04

89.8 546.63 1292.92

Sustituyendo en las ecuaciones los resultados obtenidos tenemos: 43.50 = 8a + 89.8b 546.63 = 89.8a + 1292.92b multiplicamos la primera ecuacin por (-89.8) y la segunda por (8) as: 43.50 = 8a + 89.8b (-89.8) 546.63 = 89.8a + 1292.92b (8) -3906.30 = -718.4a - 8064.04b 4373.04 = 718.4a + 10343.36b 466.74 = -0- 2279.32b

Este valor de b lo reemplazamos en cualquiera de las ecuaciones para obtener a as:

Reemplazando b = 0.20477 en la primera ecuacin normal

43.5 = 8a + 89.8 (0.20477) 43.5 = 8a + 18.3880 43.5 - 18.3880 = 8a 25.1120 = 8a

Tenemos entonces que los coeficientes de regresin son : a = 3.139 y b = 0.20477. Por tanto la ecuacin de regresin nos queda:

Significa entonces que por cada incremento en una unidad en X el valor de 0.20477

se aumenta en

Esta ecuacin permite estimar el valor de para cualquier valor de X, por ejemplo: Una ciudad que tiene un porcentaje de graduados a nivel superior del 28% la mediana de ingreso para la ciudad ser:

Los valores a y b tambin se pueden obtener de la siguiente forma: partiendo de las ecuaciones normales tenemos:

Si dividimos todos los trminos de la ecuacin (1) entre n nos queda:

Tenemos entonces que el primer termino es

el segundo termino es la incgnita a y el por tanto nos queda:

tercer termino es la incgnita b multiplicada por

entonces

Reemplazando a en la ecuacin (2) tenemos

a = 5.4375 0.20477 (11.2250) = 5.4375 2.2985 = 3.139 Se debe tener presente la diferencia entre el valor de obtenido con la ecuacin de

regresin y el valor de Y observado. Mientras es una estimacin y su bondad en la estimacin depende de lo estrecha que sea la relacin entre las dos variables que se estudian; Y es el valor efectivo, verdadero obtenido mediante la observacin del investigador. En el ejemplo Y es el valor mediano del ingreso que obtuvo el investigador

utilizando todos los ingresos observados en cada ciudad y es el valor estimado con base en el modelo lineal utilizado para obtener la ecuacin de regresin Los valores estimados y observados pueden no ser iguales por ejemplo la primera ciudad tiene un ingreso mediano observado de Y = 4.2 al reemplazar en la ecuacin el porcentaje de graduados obtenemos un estimado de

Grficamente lo anterior se puede mostrar as:

Claramente se observa en la grfica que hay una diferencia entre el valor efectivo de Y y el valor estimado; esta diferencia se conoce como error en la estimacin, este error se puede medir. A continuacin se ver el procedimiento. Error estndar en la estimacin El error estndar de la estimacin designado por sYX mide la disparidad "promedio" entre los valores observados y los valores estimados de . Se utiliza la siguiente formula.

Debemos entonces calcular los valores de para cada ciudad sustituyendo en la ecuacin los valores de los porcentajes de graduados de cada ciudad estudiada.

4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4

7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2

4.6 4.5 6.6 5.7 4.4 8.0 4.4 5.2

-0.4 0.4 0.4 0.5 -0.6 -0.4 0.0 0.2

0.16 0.16 0.16 0.25 0.36 0.16 0.00 0.04 1.29

Syx = 0.46 (decenas de miles $)

Como esta medida trata de resumir la disparidad entre lo observado y lo estimado, es decir, trata de medir la diferencia promedio entre lo observado y lo estimado esperado de acuerdo al modelo, puede considerarse como un indicador del grado de precisin con que la ecuacin de regresin, describe la relacin entre las dos variables. Este error estndar se ve afectado por las unidades y sus cambios ya que es una medida absoluta, pues, se da en la misma unidad de medida que esta dada la variable Y; en el ejemplo 0.46 sern decenas de miles de pesos, razn por la cual no es posible comparar con las relaciones de variables dadas en distinta unidad de medida. Es necesario entonces calcular una medida que interprete o mida mejor el grado de relacin entre las variables.

Mnimos cuadrados
De Wikipedia, la enciclopedia libre Saltar a: navegacin, bsqueda

El resultado del ajuste de un conjunto de datos a una funcin cuadrtica.

Mnimos cuadrados es una tcnica de anlisis numrico encuadrada dentro de la optimizacin matemtica, en la que, dados un conjunto de pares ordenados: (variable independiente, variable dependiente) y una familia de funciones, se intenta encontrar la funcin, dentro de dicha familia, que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo error cuadrtico. En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los datos. Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero requiere un gran nmero de iteraciones para converger. Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados ponderados).

La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados, minimizando la energa o maximizando la entropa.

Contenido
[ocultar]

1 Historia 2 Formulacin formal del problema bidimensional 3 Solucin del problema de los mnimos cuadrados o 3.1 Deduccin analtica de la aproximacin discreta mnimo cuadrtica lineal 3.1.1 Corolario o 3.2 Deduccin geomtrica de la aproximacin discreta mnimo cuadrtica lineal 4 Mnimos cuadrados y anlisis de regresin 5 Referencias 6 Vase tambin 7 Enlaces externos

[editar] Historia

Karl Friedrich Gauss.

El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el planeta enano Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el curso de ese ao, muchos cientficos intentaron estimar su trayectoria con base en las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es muy difcil). La mayora de evaluaciones fueron intiles; el nico clculo suficientemente preciso para permitir a Zach, astrnomo alemn, reencontrar a Ceres al final del ao fue el de un Carl Friedrich Gauss de 24 aos (los fundamentos de su enfoque ya los haba planteado en 1795, cuando an tena 18 aos). Pero su mtodo de mnimos cuadrados no se public hasta 1809, apareciendo en el segundo volumen de su trabajo sobre mecnica celeste, Theoria Motus Corporum Coelestium in sctionibus conicis solem ambientium. El francs Adrien-Marie Legendre desarroll el mismo mtodo de forma independiente en 1805.

En 1829 Gauss fue capaz de establecer la razn del xito maravilloso de este procedimiento: simplemente, el mtodo de mnimos cuadrados es ptimo en muchos aspectos. El argumento concreto se conoce como teorema de Gauss-Mrkov.

[editar] Formulacin formal del problema bidimensional

Sea un conjunto de n puntos en el plano real, y sea una base de m funciones linealmente independientes en un espacio de funciones. Queremos encontrar una funcin que , esto es: que sea combinacin lineal de las funciones base, de modo

Por tanto, se trata de hallar los m coeficientes cj que hagan que la funcin aproximante d la mejor aproximacin para los puntos dados . El criterio de "mejor aproximacin" puede variar, pero en general se basa en aqul que minimice una "acumulacin" del error individual (en cada punto) sobre el conjunto total. En primer lugar, el error (con signo positivo o negativo) de la funcin (xk,yk), se define como: en un solo punto,

pero tratamos de medir y minimizar el error en todo el conjunto de la aproximacin, . En matemticas, existen diversas formas de definir el error, sobre todo cuando ste se refiere a un conjunto de puntos (y no slo a uno), a una funcin, etc. Dicho error (el error "total" sobre el conjunto de puntos considerado) suele definirse con alguna de las siguientes frmulas:
Error Mximo:

Error Medio:

Error Cuadrtico Medio:

La aproximacin mnimo cuadrada se basa en la minimizacin del error cuadrtico medio o, equivalentemente, en la minimizacin del radicando de dicho error, el llamado error cuadrtico, definido como:

Para alcanzar este objetivo, se utiliza el hecho que la funcin f debe poder describirse como una combinacin lineal de una base de funciones. Los coeficientes de la combinacin lineal sern los parmetros que queremos determinar. Por ejemplo, supongamos que f es una funcin cuadrtica, lo que quiere decir que es una combinacin lineal, , de las funciones f1(x) = x2, f2(x) = x y f3(x) = 1 (m=3 en este caso), y que queremos determinar los valores de los coeficientes: , de modo que minimicen la suma (S) de los cuadrados de los residuos:

Esto explica el nombre de mnimos cuadrados. A las funciones que multiplican a los coeficientes buscados, que en este caso son: x2, x y 1, se les conoce con el nombre de funciones base de la aproximacin, y pueden ser funciones cualesquiera. Para ese caso general se deduce a continuacin la frmula de la mejor aproximacin discreta (e.d. para un conjunto finito de puntos), lineal y segn el criterio del error cuadrtico medio, que es la llamada aproximacin de mnimos cuadrados. Es posible generar otro tipo de aproximaciones, si se toman los errores mximo o medio, por ejemplo, pero la dificultad que entraa operar con ellos, debido al valor absoluto de su expresin, hace que sean difciles de tratar y apenas se usen.

[editar] Solucin del problema de los mnimos cuadrados

La aproximacin mnimo cuadrtica consiste en minimizar el error cuadrtico mencionado ms arriba, y tiene solucin general cuando se trata de un problema de aproximacin lineal (lineal en sus coeficientes cj) cualesquiera que sean las funciones base: fj(x) antes mencionadas. Por lineal se entiende que la aproximacin buscada se expresa como una combinacin lineal de dichas funciones base. Para hallar esta expresin se puede seguir un camino analtico, expuesto abajo, mediante el clculo multivariable, consistente en optimizar los coeficientes cj; o bien, alternativamente, seguir un camino geomtrico con el uso de el lgebra lineal, como se explica ms abajo, en la llamada deduccin geomtrica. Para los Modelos estticos uniecuacionales, el mtodo de mnimos cuadrados no ha sido superado, a pesar de diversos intentos para ello, desde principios del Siglo XIX. Se puede demostrar que, en su gnero, es el que proporciona la mejor aproximacin.

[editar] Deduccin analtica de la aproximacin discreta mnimo cuadrtica lineal

Sea un conjunto de n pares con abscisas distintas, y sea un conjunto de m funciones linealmente independientes (en un espacio vectorial de funciones), que se llamarn funciones base. Se desea encontrar una funcin f(x) de dicho espacio, o sea, combinacin lineal de las funciones base, tomando por ello la forma:

. Ello equivale por tanto a hallar los m coeficientes: . En concreto, se desea que tal funcin f(x) sea la mejor aproximacin a los n pares empleando, como criterio de "mejor", el criterio del mnimo error cuadrtico medio de la funcin f(x) con respecto a los puntos .

El error cuadrtico medio ser para tal caso:

Minimizar el error cuadrtico medio es equivalente a minimizar el error cuadrtico, definido como el radicando del error cuadrtico medio, esto es:

As, los cj que minimizan Ecm tambin minimizan Ec, y podrn ser calculados derivando e igualando a cero este ltimo:

Siendo i=1,2, . . .,m Se obtiene un sistema de m ecuaciones con m incgnitas, que recibe el nombre de "Ecuaciones Normales de Gauss". Operando con ellas: , para i=1,2, . . .,m , para i=1,2, . . .,m Si se desarrolla la suma, se visualiza la ecuacin "i-sima" del sistema de m ecuaciones normales:

, para cada i=1,2, . . .,m Lo cual, en forma matricial, se expresa como:

Siendo (a,b)d el producto escalar discreto, definido para dos funciones dadas h(x) y g(x) como: , y para una funcin h(x) y vector cualquiera u, como:

La resolucin de dicho sistema permite obtener, para cualquier base de funciones derivables localmente, la funcin f(x) que sea mejor aproximacin mnimo cuadrtica al conjunto de puntos antes mencionado. La solucin es ptima esto es, proporciona la mejor aproximacin siguiendo el criterio de mnimo error cuadrtico, puesto que se obtiene al optimizar el problema. [editar] Corolario Si se tratara de hallar el conjunto de coeficientes {cj} tal que f(x) pase exactamente por todos los pares , esto es, tales que f(x) interpole a entonces tendra que cumplirse que: ,

Que en forma matricial se expresa como:

Esto establece un sistema de n ecuaciones y m incgnitas, y como en general n>m, quedara sobredeterminado: no tendra siempre una solucin general. Por tanto, la aproximacin tratar en realidad de hallar el vector c que mejor aproxime

Se puede demostrar que la matriz de coeficientes de las ecuaciones normales de Gauss coincide con , siendo A la matriz de coeficientes exactas, y como el trmino independiente de las ecuaciones normales de Gauss coincide con el vector , se tiene que los valores {cj} que mejor aproximan f(x) pueden calcularse como la solucin al sistema: que es, precisamente, el sistema de las ecuaciones normales de Gauss.

[editar] Deduccin geomtrica de la aproximacin discreta mnimo cuadrtica lineal

La mejor aproximacin deber tender a interpolar la funcin de la que proviene el conjunto de pares (xk,yk), esto es, deber tender a pasar exactamente por todos los puntos. Eso supone que se debera cumplir que:

Sustituyendo f(x) por su expresin como combinacin lineal de una base de m funciones:

Esto es, se tendra que verificar exactamente un sistema de n ecuaciones y m incgnitas, pero como en general n>m, dicho sistema estara sobredeterminado y, por tatno, sin solucin general. De ah surge la necesidad de aproximarlo. Dicho sistema podra expresarse en forma matricial como:

Esto es:

La aproximacin trata de hallar el vector c aproximante que mejor aproxime el sistema Ac = b. Con dicho vector c aproximante, es posible definir el vector residuo como:

De manera que el mnimo error cuadrtico supone minimizar el residuo, definiendo su tamao en base a la norma eucldea o usual del residuo, que equivale al error cuadrtico:

siendo (r,r)2 el producto interior o escalar del vector residuo sobre s mismo. Si atendemos al sistema Ac = b, entonces se ve claramente que al multiplicar A y c, lo que se realiza es una combinacin lineal de las columnas de A:

El problema de aproximacin ser hallar aquella combinacin lineal de columnas de A lo ms cercana posible al vector b. Se comprueba que el conjunto de las columnas de A engendran un Span lineal: span(A1,A2,...,Am), al que el vector b no tiene porqu pertenecer (si lo hiciera, el sistema Ac=b tendra solucin). Entonces, de los infinitos vectores del span(A1,A2,...,Am) que son combinacin lineal de los vectores de la base, se tratar de hallar el ms cercano al vector b. De entre todos ellos, el que cumple esto con respecto a la norma eucldea es la proyeccin ortogonal del b sobre span(A1,A2,...,Am), y que por tanto hace que el tamao del vector r, que ser el vector que una los extremos de los vectores b y proyeccin ortogonal de b sobre el span, sea mnimo, esto es, que minimiza su norma eucldea. Es inmediato ver que si el residuo une b con su proyeccin ortogonal, entonces es a su vez ortogonal al span(A1,A2,...,Am), y a cada uno de los vectores de la base, esto es, ortogonal a cada columna de A. La condicin de minimizacin del residuo ser:

Que es cierto si y slo si:

A su vez, cada una de las m condiciones de perpendicularidad se puede agrupar en una sola:

Sustituyendo el residuo por su expresin:

Por tanto, la mejor aproximacin mnimo cuadrada lineal para un conjunto de puntos discretos, sean cuales sean las funciones base, se obtiene al resolver el sistema cuadrado:
.

A esta ecuacin se le llama ecuacin normal de Gauss, y es vlida para cualquier conjunto de funciones base. Si estas son la unidad y la funcin x, entonces la aproximacin se llama regresin lineal.

[editar] Mnimos cuadrados y anlisis de regresin

En el anlisis de regresin, se sustituye la relacin

por
f(xi) = yi + i,

siendo el trmino de perturbacin una variable aleatoria con media cero. Obervese que estamos asumiendo que los valores x son exactos, y que todos los errores estn en los valores y. De nuevo, distinguimos entre regresin lineal, en cuyo caso la funcin f es lineal para los parmetros a ser determinados (ej., f(x) = ax2 + bx + c), y regresin no lineal. Como antes, la regresin lineal es mucho ms sencilla que la no lineal. (Es tentador pensar que la razn del nombre regresin lineal es que la grfica de la funcin f(x) = ax + b es una lnea. Ajustar una curva f(x) = ax2 + bx + c, estimando a, b y c por mnimos cuadrados es un ejemplo de regresin lineal porque el vector de estimadores mnimos cuadrticos de a, b y c es una transformacin lineal del vector cuyos componentes son f(xi) + i). Los parmetros (a, b y c en el ejemplo anterior) se estiman con frecuencia mediante mnimos cuadrados: se toman aquellos valores que minimicen la suma S. El teorema de Gauss-Mrkov establece que los estimadores mnimos cuadrticos son ptimos en el sentido de que son los estimadores lineales insesgados de menor varianza, y por tanto de menor error cuadrtico medio, si tomamos f(x) = ax + b estando a y b por determinar y con los trminos de perturbacin independientes y distribuidos idnticamente (vase el artculo si desea una explicacin ms detallada y con condiciones menos restrictivas sobre los trminos de perturbacin). La estimacin de mnimos cuadrados para modelos lineales es notoria por su falta de robustez frente a valores atpicos (outliers). Si la distribucin de los atpicos es asimtrica, los estimadores pueden estar sesgados. En presencia de cualquier valor atpico, los estimadores mnimos cuadrticos son ineficientes y pueden serlo en extremo. Si aparecen valores atpicos en los datos, son ms apropiados los mtodos de regresin robusta.

Mnimos Cuadrados en Excel

Pregunta tu duda de Excel en el foro ! | Temas Candentes ! | recibe nuestro newsletter Recientemente un usuario plante en el foro una pregunta sobre cmo resolver o realizar un ajuste por el mtodo de los mnimos cuadrados. Es algo que tengo disperso por varios temas de los foros en incluso en el libro, y me ha parecido una buena idea recopilarlo todo en una entrada del blog. La solucin depende de si queremos resolver un sistema de ecuaciones o de si smplemente queremos calcular un punto mediante un ajuste con una recta que minimice los errores para los datos disponibles. Para el caso de la recta, Excel tiene la funcin ESTIMACION.LINEAL que calcula los coeficientes que definen la recta. si necesitamos un ajuste con una funcin exponencial, tenemos la funcin ESTIMACION.LOGARITMICA. Estas funciones son matriciales y devuelven varios valores que definen la ecuacin de la funcin ajustada e incluso el error del ajuste, as que hay que seleccionar varias celdas (para que quepa el resultado) e introducirlas con [Ctrl] [Mays] [Intro] como todas las funciones matriciales. Si no te interesan las ecuaciones de la recta (o de la funcin exponencial), y slo quieres calcular el valor de dicha recta en un punto, entonces debes emplear la funcin TENDENCIA para la recta, o la funcin CRECIMIENTO para la funcin exponencial (no me preguntis por qu le han puesto estos nombres, especialmente el nombre crecimiento).

Grficos

Siempre me ha llamado la atencin que Excel en sus grficos s ofrezca otras maneras para ajustar por mnimos cuadrados diferentes tipos de funciones. por qu Excel no incorpora las funciones equivalentes para cada uno de estos tipos de ajuste? Bueno, tal vez slo una minora de sus usuarios las utilizara, y esos usuarios tal vez estn en condiciones de calcular los coeficientes de las ecuaciones por otros mtodos (como el que cuento a un poco ms abajo).

Las lneas de tendencia de un grfico, tienen entre sus opciones de configuracin la posibilidad de mostrar sobre el grfico la ecuacin ajustada. Alguna vez he intentado emplear esta ecuacin copindola a mano en una celda, y no obtengo los resultados esperados, principalmente porque los coeficientes de la ecuacin estn redondeados y se pierde toda precisin. Como curiosidad para mostrar sobre el grfico y mientras nadie lo compruebe, puede valer, pero lo que sera ciertamente til es poder utilizar directamente la ecuacin en una celda. Como digo, esto no es posible.

Resolucin de un sistema de ecuaciones genrico

Para un caso ms genrico, por ejemplo para resolver un sistema de ecuaciones

sobredimensionado, con ms ecuaciones que incgnitas, yo utilizo el mtodo matricial para ajustar por mnimos cuadrados la solucin. Se trata de premultiplicar ambos lados de la ecuacin por la matriz transpuesta para tener una matriz cuadrada que poder invertir. [ A ][ x ] = [ B ] sistema inicial de ecuaciones en formato matricial, matriz A de coeficientes, matriz X de incgnitas, y matriz B de trminos independientes. [ A ] [ A ][ x ] = [ A ] [ B ] premultiplicamos por la matriz transpuesta de los coeficientes (el resultado es una matriz cuadrada). [ x ] = ([ A ] [ A ]) [ A ] [ B ] la solucin se obtendr multiplicando ambos trminos por la matriz inversa de esa matriz cuadrada. y esto expresado con funciones matriciales de Excel quedara algo as (s, ya s que es un poco jaleo, pero es lo mismo que pone arriba): {= MMULT ( MMULT ( MINVERSA ( MMULT ( TRANSPONER (matrizA) ; matrizA ) ); TRANSPONER ( matrizA ) ); matrizB )} No olvides seleccionar un rango que ocupe el tamao de la solucin del sistema (tantas celdas como variables tenga la ecuacin) y recuerda que las funciones matriciales se introducen con la combinacin de teclas
t -1 t t t