Ataurima-Arellano M. - Implementación en MATLAB Del Método de Estimación Por Mínimos Cuadrados Ordinarios PDF

Implementacin en MATLAB del Mtodo de
Estimacin por Mnimos Cuadrados Ordinarios

Miguel Ataurima Arellano
11 de Agosto de 2013
Usando la notacin matricial, la regresin estndar puede ser escrita como
y = X + (1)
donde y es un vector T dimensional conteniendo observaciones sobre la variable
dependiente, X es una matriz T k de variables independientes, es un vector k de
coecientes, y es un vector T de perturbaciones. T es el nmero de observaciones
y k es el nmero de regresores.
1. Coecientes Resultantes
1.1. Coecientes de la Regresin
Los coecientes de la regresin por mnimos cuadrados b son calculados mediante
la frmula MCO estndar
b =
_
X
0
X
_
1
X
0
y (2)
1.2. Errores Estndar
El vector de errores estndar contiene la medida de la exactitud de los coecientes
estimados (el mayor ruido estadstico en la estimacin).
La matriz de covarianza de los coecientes estimados es calculada como:
var (b) = s
2
_
X
0
X
_
1
; s
2
=
^
0
^
T k
; ^ = y Xb (3)
donde ^ es el residuo. Los errores estndar de los coecientes estimados son las
races cuadradas de los elementos de la diagonal de la matriz de covarianzas de los
coecientes.
1.3. Estadsticos t
El estadstico t, el cual es calculado como el ratio del coeciente estimado respecto
de su error estndar, es usado para vericar la hiptesis de que un coeciente es
igual a cero. Para interpretar el estadstico t, se debe examinar la probabilidad
observando el estadstico t obtenido de que el coeciente sea igual a cero. Este
clculo de probabilidad se describe a continuacin (en los casos donde las normalidad
puede solo mantenerse asintticamente, se debe utilizar el estadstico z en vez del
estadstico t).
1
UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingeniera Econmica y Ciencias Sociales
MATLAB para Economistas
Aplicacin: OLS en MATLAB
1.4. Probabilidad
Esta probabilidad es conocida como el p value o el nivel de signicancia mar-
ginal. Dado un p value, se puede decir (de un solo vistazo) si se rechaza o acepta
la hiptesis de que el verdadero coeciente es cero contra la alternativa de dos co-
las de que es diferente de cero. Por ejemplo, si se realiza la prueba al 5 % de nivel
de signicancia, un p value menor que 0.05 es tomado como una evidencia para
rechazar la hiptesis nula de que el coeciente es cero.
Los p values para los estadsticos t son calculados a partir de una distribucin
con T k grados de libertad. El p value para los estadsticos z son calculados
usando la distribucin normal estndar.
2. Estadsticas de Resumen
2.1. R cuadrado
El estadstico R
2
mide grado de satisfaccin que otorga la regresin en la predic-
cin de los valores de la variable dependiente dentro de la muestra. En la cong-
uracin estndar, R
2
puede ser interpretado como la fraccin de la varianza de la
variabe dependiente explicada por las variables independientes. Este estadstico es
igual a 1 si la regresin ajusta perfectamente, y 0 si se ajusta peor que la media
simple de la variable dependiente. ste puede ser negativo por diversas razones. Por
ejemplo, si la regresin no tiene un intercepto o constante, si la regresin contiene
restricciones de coecientes, o si el mtodo estimado es de mnimos cuadrados de
dos etapas o ARCH.
El R
2
(centrado) se calcula como
R
2
= 1
^
0
^
(y y)
0
(y y)
; y =
T
t=1
y
t
T
(4)
donde y es la media de la variable dependiente.
2.2. R cuadrado ajustado
Un problema con el uso de R
2
como medida de bondad de ajuste es que el R
2
nunca decrecer conforme se aada mas regresores. En el caso extremo, se obtendr
siempre un R
2
de 1 si se incluyen tantos regresores independientes como observa-
ciones de la muestra.
El R
2
ajustado, comnmente denotado como

R
2
, penaliza el R
2
por cada adicin
de regresores que no contribuyen al poder explicativo del modelo. El R
2
ajustado es
calculado como:
R
2
= 1
_
1 R
2
_
T 1
T k
(5)
El

R
2
nunca es mayor que el R
2
, puede decrecer conforme se aadan regresores, y
para modelos pobremente ajustados, puede ser negativo.
2
2.3. Error Estndar de la Regresin
El error estndar de la regresin es una medida resumen basada en la varianza
estimada de los residuos. El error estndar de la regresin es calculada como:
s =
_
^
0
^
T k
(6)
2.4. Suma de los residuos al cuadrado
La suma de los residuos al cuadrado puede ser usado en una variedad de clculos
estadsticos, por lo que conviene presentarla separadamente
^
0
^ =
T
t=1
_
y
i
X
0
i
b
_
2
(7)
2.5. Logaritmo de Mxima Verosimilitud
El logaritmo de la funcin de verosimilitud (asumiendo errores distribuidos nor-
malmente) evaluado en los valores estimados de los coecientes es calculado como
l =
T
2
_
1 + log (2) + log
_
^
0
^
T
__
(8)
Las pruebas del ratio de verosimilitud pueden llevarse a cabo observando la difer-
encia entre los valores del logaritmo de la funcin de verosimilitud de las versiones
restringidas y no restringidas de una ecuacin.
2.6. Estadstico Durbin-Watson
El estadstico Durbin-Watson mide la correlacin serial en los residuos. El es-
tadstico es calculado como
DW =
T
t=2
(^
t
^
t1
)
2
T
t=1
^
2
t
(9)
Johnston y Dinardo (1997) proveen una tabla de los puntos de signicancia de la
distribucin del estadstico Durbin-Watson.
Como regla general, si el DW es menor que 2, hay evidencia de una correlacin
serial positiva. Si el estadstico DW es muy cercano a 1, se est indicando la presencia
de correlacin serial en los residuos.
Existen mejores pruebas para la correlacin serial tales como el estadstico Q, la
prueba del estadstico LM de Breusch-Godfrey, los cuales proveen una estructura de
prueba mas general que la prueba de Durbin-Watson.
2.7. Media y Desviacin Estndar de la Variabla Dependiente
La media y desviacin estndar de y son calculadas usando la formula estndar
y =
T
t=1
y
i
T
; s
y
=
_
T
t=1
(y
t
y)
2
T 1
(10)
3
2.8. Criterio de Informacin de Akaike
El criterio de informacin de Akaike (AIC) se calcula mediante
AIC = 2
l
T
+ 2
k
T
(11)
donde l es el logaritmo de la funcin de verosimilitud. El AIC es comnmente usado
en la seleccin de modelos para alternativas no comprobadas (se previere el menor
valor del AIC).
2.9. Criterio de Schwarz
El criterio de Schwarz (SC) es una alternativa al AIC que impone una penal-
izacin a los coecientes adicionales
SC = 2
l
T
+ log T
k
T
(12)
2.10. Criterio de Hannan-Quinn
El criterio de Hannan-Quinn (HQ) emplea otra funcin de penalizacin
HQ = 2
l
T
+ 2 log (log T)
k
T
(13)
2.11. Estadstico F
El estadstico F reportado como salida de la regresin proviene de probar la
hiptesis de que todos los coecientes pendiente (incluyendo la constante o intercep-
to) en una regresin son cero. Para los modelos de mnimos cuadrados ordinarios, el
estadstico F se calcula como
F =
R
2
k 1
1 R
2
T k
(14)
bajo la hiptesis nula con errores distribuidos normalmente, ste estadstico tiene
una distribucin F con numerador de k 1 grados de libertad y un denominador de
T k grados de libertad.
El p value del estadstico F, es el nivel de signicancia marginal de la prueba
F. Si el p value es mejor que el nivel de signicancia que se esta probando, se
rechaza la hiptesis nula de que todas los coecientes pendiente son iguales a cero.
Observe que la prueba F es una prueba conjunta de modo que incluso si todos los
estadsticos t son insignicantes, el estadsico F pueda ser altamente signicativo.
4
3. Aplicacin MATLAB
En el archivo datos.xlsx se hallan los datos correspondientes al producto bruto
interno (GDP), la tasa de inters de corto plazo (RS) y los niveles de precio (PR)
para el periodo 1993:1-2003T4.
1. Importe las series contenidas en Excel a variables MATLAB.
2. Implemente el Mtodo de Estimacin por Mnimos Cuadrados Ordinarios
(MCO)
3. Aplique el Mtodo a los siguientes modelos de regresin y compruebe sus
resultados con los arrojados por EViews:
MODELO 1:
log (M1
t
) =
1
+
2
log (GDP
t
) +
3
RS
t
+
t
Dependent Variable: LOG(M1)
Method: Least Squares
Date: 06/09/12 Time: 11:54
Sample: 1 208
Included observations: 208
Variable Coefficient Std. Error t-Statistic Prob.
C 1.196925 0.022414 53.40080 0.0000
LOG(GDP) 0.798093 0.003910 204.1052 0.0000
RS -0.030792 0.001593 -19.33220 0.0000
R-squared 0.995691 Mean dependent var 6.000824
Adjusted R-squared 0.995649 S.D. dependent var 0.851594
S.E. of regression 0.056175 Akaike info criterion -2.906355
Sum squared resid 0.646915 Schwarz criterion -2.858217
Log likelihood 305.2609 Hannan-Quinn criter. -2.886890
F-statistic 23682.98 Durbin-Watson stat 0.154173
Prob(F-statistic) 0.000000
5
MODELO 2:
log (M1
t
) =
1
+
2
log (GDP
t
) +
3
RS
t
+ log (PR
t
) +
t
Dependent Variable: LOG(M1)
Method: Least Squares
Date: 06/09/12 Time: 12:05
Sample (adjusted): 2 208
Included observations: 207 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 1.215400 0.023108 52.59701 0.0000
LOG(GDP) 0.794784 0.003993 199.0219 0.0000
RS -0.025585 0.002193 -11.66448 0.0000
DLOG(PR) -2.911393 0.902595 -3.225581 0.0015
R-squared 0.995960 Mean dependent var 6.006429
Adjusted R-squared 0.995901 S.D. dependent var 0.849803
S.E. of regression 0.054409 Akaike info criterion -2.965431
Sum squared resid 0.600954 Schwarz criterion -2.901031
Log likelihood 310.9221 Hannan-Quinn criter. -2.939388
F-statistic 16683.21 Durbin-Watson stat 0.158003
Prob(F-statistic) 0.000000
4. Graque las series ^ (residuos), y (y actual), e ^ y (y ajustado)
-.12
-.08
-.04
.00
.04
.08
.12
.16
4.5
5.0
5.5
6.0
6.5
7.0
7.5
25 50 75 100 125 150 175 200
Residual Actual Fitted
-.15
-.10
-.05
.00
.05
.10
.15
4.5
5.0
5.5
6.0
6.5
7.0
7.5
25 50 75 100 125 150 175 200
Residual Actual Fitted
MODELO 1
MODELO 2
6
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico
NIVEL BSICO
Solucin para el Modelo 1
progmodelo1.m

1 clc;
2 clear;
3
4 % Lectura de datos desde libro excel
5 DATA = xlsread(datos01,1,B2:E209);
6
7 % Separacin de series
8 M1 = DATA(:,1);
9 GDP = DATA(:,2);
10 RS = DATA(:,3);
11 PR = DATA(:,4);
12
13 % Numero de observaciones
14 T = length(DATA);
15
16 % Etiquetas de regresores
17 nombrevariables = {c,log(GDP), RS};
18
19 % Creacin de matriz de regresores
20 X = [ones(T,1) log(GDP) RS];
21
22 % Variable explicada
23 y = log(M1);
24
25 % Dimensiones
26 [T,k] = size(X);
27
28 % Hiptesis Nula (H0)
29 beta0 = zeros(k,1);
30
31 % Vector de coeficientes estimados por MCO
32 b = (X*X)^-1*X*y;
33
34 % Vector de residuos
35 y_hat = X*b;
36 u_hat = y - y_hat;
37
38 % Suma de cuadrado de residuos
39 SCR = u_hat*u_hat;
40
41 % Varianza residual estimada
42 s2 = SCR/(T-k);
43
44 % Matriz de varianza-covarianza:
45 var_covar_hat_b = s2*(X*X)^-1;
46
47 % Varianza del estimador MCO
48 xi = diag((X*X)^-1);
49 var_hat_b = s2*xi;
50
51 % Error Estndar
52 seb = sqrt( var_hat_b );
53
54 % Estadsticos t
55 tstat = (b-beta0)./seb;
EXPOSITOR: Miguel Ataurima Arellano 1 mataurimaa@uni.pe
NIVEL BSICO
56
57 % p-values de los Estadsticos t
58 p_value_t = 2*cdf(t, -abs(tstat), T-k); %icdf(Normal,,0,1)
59
60 % R cuadrado
61 mediay = sum(y)/T;
62 R2 = 1 - SCR/(y*y - T*mediay^2);
63
64 % R cuadrado ajustado:
65 R2a = 1 - (1-R2)*(T-1)/(T-k);
66
67 % Error Estndar de la Regresin:
68 s = sqrt(SCR/(T-k));
69
70 % Logaritmo de Verosimilitud
71 L = -( 1+ log(2*pi) + log(SCR/T) )*T/2;
72
73 % Estadstico Durbin-Watson
74 DW = sum(diff(u_hat).^2)/SCR;
75
76 % Desviacin Estndar de la Variabla Dependiente
77 sy = sqrt(sum((y-mediay).^2)/(T-1));
78
79 % Criterio de Informacin de Akaike (AIC)
80 AIC = -2*L/T + 2*k/T;
81
82 % Criterio de Schwarz (SC)
83 SC = -2*L/T + log(T)*k/T;
84
85 % Criterio de Hannan-Quinn (HQ)
86 HQ = -2*L/T + 2*log(T)*k/T;
87
88 % Estadstico F
89 Fstat = (R2/(k-1))/((1-R2)/(T-k));
90
91 % p-value del Estadstico F
92 p_value_F = 1-cdf(F, Fstat, k-1, T-k);
93
94 % Impresin de resultados (estilo EViews)
95 datos = [b seb tstat p_value_t];
96 fprintf(Mtodo: Mnimos Cuadrados Ordinario\n);
97 fprintf(Observaciones incluidas: %5d\n, T);
98 fprintf(--------------------------------------------------------------------------------\n);
99 fprintf(%-15s %15s %15s %15s %15s\n, Variables, Coeficiente, Error Est., ...
100 estadstico t, p-value);
101 fprintf(--------------------------------------------------------------------------------\n);
102 for i=1:k
103 coefs(i,:) = sprintf(%-15s %15.6f %15.6f %15.6f %15.6f, nombrevariables{i}, datos(i,:));
104 end
105 disp(coefs);
106 fprintf(--------------------------------------------------------------------------------\n);
107 nombrestats01 = {R cuadrado, R cuadrado ajustado, ES de la regresin, ...
108 Suma de res. cuadrados, Log verosimilitud, Estad. F, Prob(Estad. F)};
109 nombrestats02 = {Media var depend., Desv. Estand. var depend., Criterio Inf. Akaike, ...
110 Criterio Schwarz,Criterio Hannan-Quinn, Criterio Durwin-Watson};
111 valorestats01 = [R2; R2a; s; SCR; L; Fstat; p_value_F];
112 valorestats02 = [mediay; sy; AIC; SC; HQ; DW];
113 for i=1:6
NIVEL BSICO
114 estadisticos(i,:) = sprintf(%-22s %15.6f %-25s %15.6f, ...
115 nombrestats01{i}, valorestats01(i), ...
116 nombrestats02{i}, valorestats02(i));
117 end
118 disp(estadisticos);
119 fprintf(%-22s %15.6f\n, nombrestats01{7}, valorestats01(7));
120
121 % Grficas
122 figure(1);
123 periodos = (1:T);
124 [AX,H1,H2] = plotyy(periodos, u_hat , periodos, [y y_hat]);
125 set(AX(1),XLim, [1 T]);
126 set(AX(1),YLim, [-0.5 1]);
127 set(AX(2),XLim, [1 T]);
128 set(AX(2),YLim, [1 max(y)+1]);
129 set(H2(1), Color, [1 0 0]);
130 set(H2(2), Color, [0 0.5 0]);
131 legend(Residuos, Actual, Ajustado, ...
132 Location, SouthOutside, Orientation, Horizontal);
133 grid on;
134 xlabel(Periodos);
135 set(AX, FontSize, 8);

NIVEL BSICO
Ejecucin:

Mtodo: Mnimos Cuadrados Ordinario
Observaciones incluidas: 208
--------------------------------------------------------------------------------
Variables Coeficiente Error Est. estadstico t p-value
--------------------------------------------------------------------------------
c 1.196925 0.022414 53.400796 0.000000
log(GDP) 0.798093 0.003910 204.105227 0.000000
RS -0.030792 0.001593 -19.332195 0.000000
--------------------------------------------------------------------------------
R cuadrado 0.995691 Media var depend. 6.000824
R cuadrado ajustado 0.995649 Desv. Estand. var depend. 0.851594
ES de la regresin 0.056175 Criterio Inf. Akaike -2.906355
Suma de res. cuadrados 0.646915 Criterio Schwarz -2.858217
Log verosimilitud 305.260875 Criterio Hannan-Quinn -2.781233
Estad. F 23682.976068 Criterio Durwin-Watson 0.154173
Prob(Estad. F) 0.000000

20 40 60 80 100 120 140 160 180 200
0.2
0.1
0
0.1
0.2
Periodos

20 40 60 80 100 120 140 160 180 200
4
5
6
7
8
Residuos Actual Ajustado
NIVEL BSICO
Solucin para el Modelo 2
progmodelo1.m

1 clc;
2 clear;
3
4 % Lectura de datos desde libro excel
5 DATA = xlsread(datos01,1,B2:E209);
6
7 % Separacin de series
8 M1 = DATA(:,1);
9 GDP = DATA(:,2);
10 RS = DATA(:,3);
11 PR = DATA(:,4);
12
13 % Numero de observaciones
14 T = length(DATA);
15
16 % Etiquetas de regresores
17 nombrevariables = {c,log(GDP), RS, dlog(PR)};
18
19 % Creacin de matriz de regresores
20 X = [ones(T-1,1) log(GDP(2:end)) RS(2:end) diff(log(PR)) ];
21
22 % Variable explicada
23 y = log(M1(2:end));
24
25 % Dimensiones Reajustadas
26 [T,k] = size(X);
27
28 % Hiptesis Nula (H0)
29 beta0 = zeros(k,1);
30
31 % Vector de coeficientes estimados por MCO
32 b = (X*X)^-1*X*y;
33
34 % Vector de residuos
35 y_hat = X*b;
36 u_hat = y - y_hat;
37
38 % Suma de cuadrado de residuos
39 SCR = u_hat*u_hat;
40
41 % Varianza residual estimada
42 s2 = SCR/(T-k);
43
44 % Matriz de varianza-covarianza:
45 var_covar_hat_b = s2*(X*X)^-1;
46
47 % Varianza del estimador MCO
48 xi = diag((X*X)^-1);
49 var_hat_b = s2*xi;
50
51 % Error Estndar
52 seb = sqrt( var_hat_b );
53
54 % Estadsticos t
55 tstat = (b-beta0)./seb;
NIVEL BSICO
56
57 % p-values de los Estadsticos t
58 p_value_t = 2*cdf(t, -abs(tstat), T-k); %icdf(Normal,,0,1)
59
60 % R cuadrado
61 mediay = sum(y)/T;
62 R2 = 1 - SCR/(y*y - T*mediay^2);
63
64 % R cuadrado ajustado:
65 R2a = 1 - (1-R2)*(T-1)/(T-k);
66
67 % Error Estndar de la Regresin:
68 s = sqrt(SCR/(T-k));
69
70 % Logaritmo de Verosimilitud
71 L = -( 1+ log(2*pi) + log(SCR/T) )*T/2;
72
73 % Estadstico Durbin-Watson
74 DW = sum(diff(u_hat).^2)/SCR;
75
76 % Desviacin Estndar de la Variabla Dependiente
77 sy = sqrt(sum((y-mediay).^2)/(T-1));
78
79 % Criterio de Informacin de Akaike (AIC)
80 AIC = -2*L/T + 2*k/T;
81
82 % Criterio de Schwarz (SC)
83 SC = -2*L/T + log(T)*k/T;
84
85 % Criterio de Hannan-Quinn (HQ)
86 HQ = -2*L/T + 2*log(T)*k/T;
87
88 % Estadstico F
89 Fstat = (R2/(k-1))/((1-R2)/(T-k));
90
91 % p-value del Estadstico F
92 p_value_F = 1-cdf(F, Fstat, k-1, T-k);
93
94 % Impresin de resultados (estilo EViews)
95 datos = [b seb tstat p_value_t];
96 fprintf(Mtodo: Mnimos Cuadrados Ordinario\n);
97 fprintf(Observaciones incluidas: %5d\n, T);
98 fprintf(--------------------------------------------------------------------------------\n);
99 fprintf(%-15s %15s %15s %15s %15s\n, Variables, Coeficiente, Error Est., ...
100 estadstico t, p-value);
101 fprintf(--------------------------------------------------------------------------------\n);
102 for i=1:k
103 coefs(i,:) = sprintf(%-15s %15.6f %15.6f %15.6f %15.6f, nombrevariables{i}, datos(i,:));
104 end
105 disp(coefs);
106 fprintf(--------------------------------------------------------------------------------\n);
107 nombrestats01 = {R cuadrado, R cuadrado ajustado, ES de la regresin, ...
108 Suma de res. cuadrados, Log verosimilitud, Estad. F, Prob(Estad. F)};
109 nombrestats02 = {Media var depend., Desv. Estand. var depend., Criterio Inf. Akaike, ...
110 Criterio Schwarz, Criterio Hannan-Quinn, Criterio Durwin-Watson, };
111 valorestats01 = [R2; R2a; s; SCR; L; Fstat; p_value_F];
112 valorestats02 = [mediay; sy; AIC; SC; HQ; DW];
113 for i=1:6
NIVEL BSICO
114 estadisticos(i,:) = sprintf(%-22s %15.6f %-25s %15.6f, ...
115 nombrestats01{i}, valorestats01(i), ...
116 nombrestats02{i}, valorestats02(i));
117 end
118 disp(estadisticos);
119 fprintf(%-22s %15.6f\n, nombrestats01{7}, valorestats01(7));
120
121 % Grficas
122 figure(1);
123 periodos = (1:T);
124 [AX,H1,H2] = plotyy(periodos, u_hat , periodos, [y y_hat]);
125 set(AX(1),XLim, [1 T]);
126 set(AX(1),YLim, [-0.5 1]);
127 set(AX(2),XLim, [1 T]);
128 set(AX(2),YLim, [1 max(y)+1]);
129 set(H2(1), Color, [1 0 0]);
130 set(H2(2), Color, [0 0.5 0]);
131 legend(Residuos, Actual, Ajustado, ...
132 Location, SouthOutside, Orientation, Horizontal);
133 grid on;
134 xlabel(Periodos);
135 set(AX, FontSize, 8);

NIVEL BSICO
Ejecucin:

Mtodo: Mnimos Cuadrados Ordinario
Observaciones incluidas: 207
--------------------------------------------------------------------------------
Variables Coeficiente Error Est. estadstico t p-value
--------------------------------------------------------------------------------
c 1.215400 0.023108 52.597007 0.000000
log(GDP) 0.794784 0.003993 199.021879 0.000000
RS -0.025585 0.002193 -11.664476 0.000000
dlog(PR) -2.911393 0.902595 -3.225581 0.001465
--------------------------------------------------------------------------------
R cuadrado 0.995960 Media var depend. 6.006429
R cuadrado ajustado 0.995901 Desv. Estand. var depend. 0.849803
ES de la regresin 0.054409 Criterio Inf. Akaike -2.965431
Suma de res. cuadrados 0.600954 Criterio Schwarz -2.901031
Log verosimilitud 310.922096 Criterio Hannan-Quinn -2.797983
Estad. F 16683.210592 Criterio Durwin-Watson 0.158003
Prob(Estad. F) 0.000000

20 40 60 80 100 120 140 160 180 200
0.2
0.1
0
0.1
0.2
Periodos

20 40 60 80 100 120 140 160 180 200
4
5
6
7
8
Residuos Actual Ajustado

Ataurima-Arellano M. - Implementación en MATLAB Del Método de Estimación Por Mínimos Cuadrados Ordinarios PDF

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ataurima-Arellano M. - Implementación en MATLAB Del Método de Estimación Por Mínimos Cuadrados Ordinarios PDF

Uploaded by

Copyright:

Available Formats

Implementacin en MATLAB del Mtodo de

Estimacin por Mnimos Cuadrados Ordinarios

You might also like