Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE
INGENIERIA
II SEMESTRE 2012
EL MODELO LINEAL GENERAL
donde (x1,x2, , xp-1) = 0 + ixi tal como Y = 0 + 1x1 + 2x2 + 3x3 + ; E() = 0
y1 x 11 x 12 x 1p 1 1
x x 2p
y 2 x 22 2 2
X
21
donde Y , ,
Y X
,
y n x n1 x n2 x np p n
Las Yi son v. a. observables.
Los xij son variables no aleatorias observables. xij D
Los j son parmetros desconocidos. j .
Los i son v.a. no observables tales que COV(i j) = ij, que forman la matriz .
En muchos casos suponemos la distribucin de y la estructura de .
Si se tiene un parmetro independiente 0 entonces la 1a columna de la matriz
X ser de 1s.
En cada problema es esencial definir D y . Esto es importante porque un
modelo puede ser bueno para un cierto D pero no para otro.
Los valores de los xij son observables sin error o con errores muy pequeos
que pueden tomarse como variables no aleatorias.
Tenemos k+1 variable aleatorias X0, X1, , Xk con una distribucin conjunta cuya
media est dada por el vector y matriz de coovarianzas y tales que la funcin
de distribucin condicional conjunta de Y = (X0 X1 = x1, X2 = x2, , Xk = xk)
satisface:
k
El modelo de diseo satisface la definicin del modelo lineal general, pero con la
caracterstica adicional de que el rango de la matriz X nxp es k p < n.
Adicionalmente la matriz X de diseo consiste slo de 0s y 1s. Adems X asume
cierta estructura dependiendo del diseo particular.
MODELOS LINEALES GENERALIZADOS
As que u = g-1().
y b
f Y (y; , ) Exp (1)
a c y,
Una forma equivalente (con constante y conocida) para esta familia es:
La Familia Exponencial Natural (PN): Esta familia de funciones esta definida por el
conjunto: P = {p(z; ) Fd U Fc U Fm; p(z; ) = a(z)ez k()}
Algunos miembros de PN
= + (XtHWX)-1XtHWG(y - )
(m+1) = (XtH(m)WX)-1XtH(m)Wy*(m)
(1) = (XtH(0)WX)-1XtH(0)Wg(y)
R k (x, a)
donde 0 , cuando x a
(x a) k
R 1 (x, x 0 )
f(x) = f(x0) +[Df(x0)](x - x0) + R1(x, x0) con 0 , cuando x x 0
(x x 0 )
x 1 x 01
f(x 0 ) f(x 0 ) f(x 0 ) x 2 x 02
donde Df(x0) = , ,, y (x x 0 )
x 1 x 2 x n
x x
n 0n
1) i = 1 - Xi, si yi = 1 y i = - Xi, yi = 0
Linealizacin y notacin:
Yi = E(yi) + i
EJEMPLO:
El valor de la flv para el modelo ajustado nunca podr ser mayor que el
de el valor de flv para el modelo saturado.
As que:
Planteamos Ho: 2 = 0 VS 2 0
Si se cumple Ho entonces tenemos slo el modelo reducido:
= X = X11
La desviacin del modelo reducido (1) ser siempre menor que la del
modelo completo () (El reducido tiene menos parmetros)
1) Leer y entender las secciones 13.3 y 13.4 del libro "Analisis de Regresin Lineal" de
Montgomery
2) Leer y entender las secciones fotocopiadas del libro de la UNAL (que ya se entreg a
c/grupo)
4) Entregar por escrito las soluciones (cdigo y salidas en R) y comentarios de los ejercicios
propuestos 13.7; 13.8; 13.9. Libro de Montgomery
5) Entregar por escrito las soluciones (cdigo y salidas en R) y comentarios de los ejercicos
propuestos 13.16; 13.17. Libro de Montgomery.
Esta tarea de evaluacin es para presentar el da 18 de octubre
donde x (x1, x2,..., xn) , ahora s tenemos una variable que puede tomar
cualquier valor relacionada a su vez con la probabilidad que queremos.
Podemos plantearnos el buscar para ella una ecuacin de regresin
tradicional:
p Pr(Y 1 | x) Pr(Y 1 | x) n
log( ) log log a bi xi
1 p 1 Pr(Y 1 | x) Pr(Y 0 | x) i 1
LO QUE NECESITAMOS:
Podemos determinar:
1) Los coeficientes que determinan la combinacin lineal que ante una
variacin de los valores de las respectivas variables nos permitirn
estimar las probabilidades de que el evento se de o no. 2) Si alguno o
algunos de los coeficientes son o no significativamente diferentes de
cero. 3) Calcular algunos odds ratio