Modelo Lineal

General
Prof. Susana Martn
Fernndez
 ndice
Introduccin

Modelo Lineal General

Anlisis de la Varianza

Regresin Lineal
 Introduccin
Un modelo lineal es una relacin
entre variables matemticas
cuantitativas y/o cualitativas
(explicativas) y un vector aleatorio
de inters.
 Introduccin
Planteamiento del problema

Eleccin de variables a medir

Planteamiento del modelo

Obtencin y depuracin de datos

Obtencin de parmetros del modelo

Simplificacin del modelo

Validacin del Modelo

APLICACIN
NO Es SI
vlido?
 Introduccin
Mtodos
Estadsticos de
Inferencia

Dada la V.A. X Se conoce su Funcin de

Distribucin excepto un n de parmetros?
SI NO

Inferencia Paramtrica Inferencia no Paramtrica

f(x)=?

=?, =?
 Modelo Lineal General
Sea X = (X1 , X 2 ,..., X n ) un vector aleatorio, sea A
una matriz nxk / k<n de constantes
conocidas a ij (valores de las variables
explicativas), i=1,..n; j=1,...,k. Y sea un
vector desconocido
D
de escalares, el
vector X = (X1 , X 2 ,..., X n ) sigue un modelo lineal
si se puede escribir de la siguiente forma:

X = A +
 Modelo Lineal General

Donde = ( 1 , 2 ,..., n ) es un vector de

variables aleatorias no medibles y adems
cumplen que E[i ] = 0 (media cero).
Luego otra definicin de modelo lineal
sera la siguiente:
Sea X = (X1 , X 2 ,..., X n ) un vector aleatorio, sea A
una matriz D nxk / k<n de constantes
conocidas a ij i=1,..n; j=1,...,k. Y sea un
vector desconocido de escalares, el
vector X = (X1 , X 2 ,..., X n ) sigue un modelo lineal
si cumple:
E[X] = A
 Modelo Lineal General

Modelo lineal de forma matricial:

a11 a 21 ... a n1

a12 a 22 ... a n2
(X1 , X 2 ,..., X n ) = (1 , 2 ,..., k ) + (1 , 2 ,..., n )
... ... ... ...

D
a1k a 2k ... a nk
 Modelo Lineal General

Por tanto:

X1 = 1 a11 + ... + k a1k + 1

X2 = 1 a 21 + ... + k a 2k + 2
...

Xi = 1 a i1 + ... + j a ij + ... + k a ik + i
... D

Xn = 1 a n1 + ... + k a nk + n
 Modelo Lineal General

Qu representan estas expresiones?

X1 = 1 a11 + ... + k a1k + 1

X2 = 1 a 21 + ... + k a 2k + 2
...

Xi = 1 a i1 + ... + j a ij + ... + k a ik + i
... D

Xn = 1 a n1 + ... + k a nk + n
Muestra de Datos de las k variables
tamao n numricas o explicativas
de una medidas en las n
variable X unidades muestrales
 Modelo Lineal General

EJEMPLO:
Queremos modelizar los slidos en
suspensin (ss
( ) de una depuradora en
funcin del caudal, Q, y del pH.
Datos:
ss=(376,364,360)
D

Q=(28.1, 28.9, 30.1)

pH=(7.75, 7.53, 7.9)
 Modelo Lineal General
EJEMPLO

Por tanto n=3;

El vector X es:
X=(X1, X2, X3)=(376,364,360)

K=2, hayD 2 variables numricas

Q=(28.1, 28.9, 30.1)
pH=(7.75, 7.53, 7.9)
 Modelo Lineal General
EJEMPLO

El modelo de forma matricial:

a11 a 21 a 31
(X1 , X 2 , X 3 ) = (1 , 2 ) + (1 , 2 , 3 )
a a a
12 22 32
Caudal pH

D
28.1 28.9 30.1
(376,364,360) = (1 , 2 ) + (1 , 2 , 3 )
7.75 7.53 7.9
 Modelo Lineal General

Se asume que las variables del vector

= ( 1 , 2 ,..., n ) cumplen:
- Son independientes

- Siguen un distribucin normal

-Todas tienen la misma varianza 2

(homocedasticidad) .

- E[i ] = 0 (media cero). Condicin que ya

cumplan por definicin.

Bajo estas condiciones se deduce que las variables del

vector X=(X1, X2,..., Xn) siguen una distribucin normal,
son independientes y con varianza constante 2 .
 Modelo Lineal General

Objetivo:
El objetivo es encontrar el mejor vector
de estimadores de los parmetros:
= ( 1 , 2 ,..., k )
Consistente. Al aumentar el tamao de la muestra el estimador converge en
probabilidad en el parmetro estimado.
D
Invariante. Sea G un grupo de transformaciones que deja a las funciones de
distribucin {F :} invariantes. Un estimador U se dice que es invariante bajo
G, si: U(g(x1), g(x2), ..., g(xn)) = U(x1, x2, ..., xn), gG.

Con varianza mnima. Se dice que U es el estimador de varianza mnima de un

parmetro , si para cualquier otro estimador Ui de dicho parmetro se cumple
que:
var(U) < var(Ui)

Insesgado. E[U]=
 Modelo Lineal General

Obtencin del vector de parmetros :

Para la estimacin de los parmetros se
pueden utilizar dos mtodos:
Error cuadrtico mnimo.
min ' = (X A')(X A')' = 2
i
D
Mtodo de mxima verosimilitud.
1 1 n 2

f , (x 1 ,..., x n ) = exp 2 (x 1a i1 ... k a ik )
( 2 )
n 2
i =1
i

 Modelo Lineal General

Simplificacin del modelo-Hiptesis

lineal general
El modelo se simplificar si se puede
aceptar que alguno de los coeficientes i
es 0.

Forma terica
y compleja de
H 0 : H = 0
plantear la
simplificacin h11 h 21 ... h r1

del modelo
h12 h 22 ... h r2
(1 , 2 ,..., k ) = (0,0,...,0)
... ... ... ...

h1k h 2k ... h rk
 Modelo Lineal General
Simplificacin del modelo
Teorema
Sea el modelo lineal
X= A+
donde A es una matriz nxk conocida y de rango k<n, sea un vector desconocido de
escalares, y sea =(1,2,...n) un vector de variables aleatorias no observables
independientes de forma que todas ellas siguen una distribucin Normal N(0,2). El
coeficiente obtenido por mxima verosimilitud F (estadstico) para contrastar la hiptesis
lineal H0:H=0 , donde H es una matriz rxk con rango r<=k, har que se rechace la
hiptesis nula para un nivel de significacin si FF0, donde
PH0(FF0), es decir la probabilidad de rechazar la hiptesis nula cuando sta es cierta en
la realidad es . Y se demuestra que F es una variable aleatoria cuya expresin es:

( ( ) )
F=
(X 0 A')(X 0 A')' (X A')(X A')'
) )
(X A')(X A')'
Donde es el estimador de mxima verosimilitud de y 0 es el estimador mximo
verosmil bajo la hiptesis nula.
La variable aleatoria [(n-k)/r]F tiene una distribucin F-snedecor con (r,n-k) grados de
libertad bajo .