ECUACIONES SIMULTNEAS

1. Considrese el siguiente modelo de demanda y oferta de dinero:

Demanda de dinero: M td = 0 + 1Yt + 2 Rt + 3 Pt + u1t
Oferta de dinero:

M ts = 0 + 1Yt + u 2t

Equilibrio:

M td = M ts

Donde:
M= dinero
Y= ingreso
R= tasa de inters
P= precio
u= termino de error
Supngase que R y P son exgenos y que M y Y son endgenas. En la siguiente tabla se presenta informacin
sobre M (dada por M2), Y(PIB), R (tasa de bonos del tesoro a tres meses) y P (ndice de precios al
consumidor), para los Estados Unidos durante 1970-1991.
M2 USD $
miles
de millones

Ao

1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991

PIB USD $ miles

de millones

628,1
712,7
805,2
861
908,6
1032,3
1163,7
1286,6
1388,7
1496,7
1629,5
1792,9
1951,9
2186,1
2374,3
2569,4
2811,1
2910,8
3071,1
3227,3
3339
3439,8

1117,7
1097,2
1207
1349,6
1458,6
1585,9
1768,4
1974,1
2232,7
2488,6
2708
3030,6
3149,6
3405
3772,2
4038,7
4268,6
4539,9
4900,4
5250,8
5522,2
5677,5

IPC 1982Tasa de bonos

1984 =100
de tesoro a 3
meses,%
6,458
38,8
4,348
40,5
4,071
41,8
7,041
44,4
7,886
49,3
5,838
53,8
9,989
56,9
5,265
60,6
7,221
65,2
10,041
72,6
11,506
82,4
14,029
90,9
10,686
96,5
8,63
99,6
9,58
103,9
7,48
107,6
5,98
109,6
5,82
113,6
6,69
118,3
8,12
124
7,51
130,7
5,42
136,2

a) Estn identificadas la funcin de demanda y la funcin de oferta?

Condicin de orden
Ecuacin

K-k

M-m

Resultados

Identificabilidad

primera
segunda

3-3
3-1

2-1
2-1

0<1
2>1

Subidentificada
Sobreidentificada

Condicin de Rango
Ecuacin

primera
segunda

0
0

1
1

2
0

Identificabilidad

3 subidentificada
0 Sobreidentificada

En la condicin de rango para ver si estn identificadas o no procedemos de la siguiente manera:

Ecuacin 1: Como podemos ver est subidentificada al igual con los resultados obtenidos en la condicin de Orden.

Ecuacin 2: La matriz es [ 2 ] y su determinante es 2 0 por lo tanto la ecuacin est identificada, esto

tambin se puede demostrar con la matriz [ 3 ] cuya determinante es 3 0 y con esto confirmamos que la
ecuacin esta sobreidentificada.
b) Obtngase las expresiones para las ecuaciones para las ecuaciones de forma reducida para M y Y.
Para ello procedemos de la siguiente manera:
1. Igualamos las funciones de la oferta y la demanda.

0 + 1Yt + 2 Rt + 3 P + 1t = 0 + 1Yt + 2 t
1Yt 1Yt = 0 0 2 Rt 3 Pt + 2 1
Y ( 1 1 ) = 0 0 2 Rt 3 Pt + 2 1
Yt =

0 0 2 Rt
P 1t

3 t + 2t
1 1
1 1 1 1
1 1

Yt = 20 21 Rt 22 Pt + et

0 t
1 1
R
21 = 2 t
1 1

20 =

22

et =

2 Rt
1 1

u 2 u1
1 1

2. Reemplazamos el ingreso de equilibrio en la ecuacin de demanda.

0 2 Rt
P 1t
M td = 0 + 1 0

3 t + 2t
1 1 1 1
1 1
1 1
M td = 0 +

+ 2 Rt + 3 P + 1t

1 0 1 0 1 2 Rt
P 1 1t

1 3 t + 1 2t
1 1
1 1
1 1
1 1

Luego se simplifica y reordena :

M td =

1 0 0 1 1 2 Rt 1 3 Pt 1 2t 1 1t

+
1 1
1 1
1 1
1 1

M td = 10 11 Rt 12 Pt + et

 1 0 0 1
1 1
R
11 = 1 2 t
1 1
P
12 = 1 3 t
1 1
1 1t
et = 1 2t
1 1
10 =

c) De acuerdo a la respuesta del literal a) estime, si es posible una o las dos ecuaciones y obtenga los
parmetros estimados en su forma estructural. (Realice las estimaciones en E-views y SPSS)
Debido a que la funcin de la demanda no esta identificada procedemos slo con la funcin de la oferta, los
resultados obtenidos en el programa SPSS con MC2E son:
MODEL:

MOD_1.

Equation number:

Dependent variable.. M2
Listwise Deletion of Missing Data
Multiple R
R Square
Adjusted R Square
Standard Error

,99781
,99563
,99541
63,74123

Analysis of Variance:
DF

Sum of Squares

Mean Square

1
20

18505872,3
81258,9

18505872,3
4062,9

4554,79410

Signif F =

Regression
Residuals
F =

,0000

------------------ Variables in the Equation -----------------Variable

PIB
(Constant)

SE B

Beta

Sig T

,615317
31,551627

,009117
30,706388

1,001118

67,489
1,028

,0000
,3164

Correlation Matrix of Parameter Estimates

RESULTADOS:

M ts = 31.55 + 0.62Yt
ee = (31.55) (0.009)

d) Estime las ecuaciones estructurales utilizando MCO. Son comparables los resultados con los obtenidos en
el literal anterior?
Coefficients(a)
Unstandardized
Coefficients
Model
1

B
(Constant
)
PIB
TASA
IPC

Standardized
Coefficients

Std. Error

11,660

Beta

53,484

Sig.
,218

,830

,428

,066

,696

6,519

,000

-24,527

5,909

-,064

-4,151

,001

9,209

3,190

,315

2,886

,010

a Dependent Variable: M2

Coefficients(a)
Unstandardized
Coefficients
Model
1

B
(Constant
)
PIB

Standardized
Coefficients

Std. Error

37,662

30,535

,613

,009

Beta

,998

Sig.

1,233

,232

67,718

,000

a Dependent Variable: M2
No son comparables los resultados con los obtenidos en el literal anterior ya que ya que son slo comparables cuando se trata de
modelos recursivos, triangulares o causales y en este caso estamos con un modelo de ecuaciones simultneas

e) Cuando no se presenta el problema de la simultaneidad las estimaciones de MCO producen estimadores

consistentes y eficientes. Es por ello que se hace necesario aplicar alguna prueba para asegurarse de que el
problema de la simultaneidad esta presente. Una prueba muy generalizada para tal efecto es la prueba de
Hausman de simultaneidad. Aplique esta prueba (ver referencia en el texto de Gujarati) al presente modelo.
Para aplicar la prueba de Hausman de simultaneidad procedemos de la siguiente manera:
Paso 1. Efectuamos la regresin de Y sobre Rt y Pt para obtener vt .
Paso 2. . Efectuamos la regresin de la oferta de dinero sobre Y y v y se realiza la prueba t sobre el coeficiente
t

de vt , si este es significativo, no debe rechazarse la hiptesis de simultaneidad; de otra forma se rechaza.

Con esto obtenemos los siguientes resultados:

= 0 + 1 Y t + 2 v t

M = 31,552 + 0,615Y t + 0,428 v t

ee = (27.637) (0.008)
(0.079)
t= (1.142) (74.983) (5.451)
Ho= No hay simultaneidad
Ha= Si hay simultaneidad

= 5% =0.025
N=22
t(n-k) g.l=(22-3)=19g.l
t(n-k)g.l=2.093
tc= 0,428 /0,079=5.42

-2.093

2.093

5.42

INTERPRETACION:
Con un 95% de confianza podemos decir que no existe suficiente evidencia estadstica para aceptar la hiptesis nula
de que no hay simultaneidad es decir se acepta la alternativa de que si hay simultaneidad
2. Para el modelo:
Wt = 0 + 1UN t + 2 Pt + u1t
Pt = 0 + 1Wt + 2 Rt + 3 M t + u 2t
Donde:
.

W = Tasa de cambios de salarios monetarios

UN = Tasa de desempleo, %
.

P = Tasa de cambios de los precios

R = Tasa de cambio del costo de capital

.

M = Tasa de cambio del precio de las materias primas importadas

a) Aplique la condicin de orden y la condicin de rango para verificar si las ecuaciones estn o no
identificadas
Condicion de orden
Ecuacin

K-k

M-m

Resultados

Identificabilidad

primera
segunda

4-2
4-3

2-1
3-1

2<1
1=1

Sobrebidentificada
exactamente identificada

Condicin de Rango
Ecuacin

primera

segunda

0 - 1

2
1

UN

Rt

1
0
0
2

Mt

Identificabilidad

subidentificada

Sobreidentificada

En la condicin de rango para ver si estn identificadas o no procedemos de la siguiente manera:

Ecuacin 1: La matriz es [ 2 ] y su determinante es 2 0 por lo tanto la ecuacin est identificada, esto
tambin se puede demostrar con la matriz [ 3 ] cuya determinante es 3 0 y con esto confirmamos que la
ecuacin esta sobreidentificada.
Ecuacin 2: La matriz es [ 2 ] y su determinante es 2 0 por lo tanto la ecuacin est exactamente
identificada.
b) Pase el modelo de la forma estructural a la forma reducida
La primera ecuacin de la forma reducida puede deducirse sustituyendo (2) en (1):
Entonces nos quedara de la siguiente manera:

Wt = 0 + 1UN t + 2 (0 + 1Wt + 2 R t + 3M t + u 2 t ) + u1t

0 + 2 0
2 3
u + 2u 2t
1
2 2
+
UN t +
Rt +
M t + 1t
(1 21 ) (1 21 )
(1 21 )
(1 21 )
(1 21 )

Wt =

Wt = 10 + 11UNt + 12 Rt + 13M t + v1t

La segunda ecuacin de la forma reducida puede deducirse sustituyendo (1) en (2) seria:

Pt = 0 + 1 ( 0 + 1 UN t + 2 Pt + u 1t ) + 2 R t + 3 M t + u 2 t
Pt =

0 + 0 1
3
u + 1 u 1t
1 1
2
+
UN t +
Rt +
M t + 2t
(1 2 1 ) (1 2 1 )
(1 2 1 )
(1 2 1 )
(1 2 1 )

Pt = 02 + 12 UN t + 22 R t + 32 M t + v 2 t
c) Si las ecuaciones estn identificadas, obtenga (algebraicamente), los parmetros estructurales a partir de
los parmetros reducidos (excepto los parmetros del trmino independiente)

1 =

21
11

11
(1 2 1 ) 1 1
=
=
= 1
1
1
(1 2 1 )

2 = 22 21 * 1 =

2
22
* 1

(1 2 1 ) (1 2 1 )

2 = 22 21 * 1 =

2 2 2 1 2 (1 2 1 )
=
= 2
1 1 2
1 1 2

3 = 23 13 * 1 =

3
2 3
* 1

(1 2 1 ) (1 2 1 )

3 = 23 13 * 1 =

3 2 3 1 3 (1 2 1 )
=
= 3
1 1 2
1 1 2

3. Un modelo economtrico de ecuaciones simultneas construido para reflejar las interrelaciones entre el
empleo y la poblacin para las regiones francesas, esta conformado por las siguientes ecuaciones:
LNK = 1 * POBKM 5 + 2 * IVNAKM + t
POBKM = 1 * POBKM 5 + 2 * LNAKM + u t
LNAKT= Densidad de empleo no agrario en 1995
POBKM= Densidad de poblacin de 1995
INVAKM= Incremento de densidad del valor aadido no agrario en 1995
POBKM5= Densidad de poblacin en el quinquenio anterior, para el caso de 1990
t, t= Trminos de perturbacin estocstica. Recoge la influencia conjunta de todas las dems variables que
afectan a las endgenas pero que no han podido ser explicadas.
Los datos para las 22 regiones francesas son:
REGION
lle de France
ChampagneArdenne
Picardie
HauteNormandie
Centre
BasseNormandie
Bourgogne
Nord-Pas-deCalais
Lorraine
Alsace
FrancheComt
Pays de la
loire
Bretagne
PoitouCharentes
Aquitaine
Midi-Pyrnes
Limousin
Rhone alpes
Auvergne
Languedoc-

LNAKM
POBKM
POBKM5
IVNAKM
409,4239
885,1981
851,4818
4,5659
17,9645
52,3705
52,8001
0,1053
29,7953
50,7429

92,9945
140,5375

91,2418
137,0464

0,1516
0,1757

21,6342
26,6644

60,3561
78,7424

59,1811
77,8896

0,12
0,1454

17,7316
98,5178

50,7251
317,7863

50,8517
316,6586

0,0921
0,4002

32,3183
74,5169

97,3797
195,5314

98,2715
192,7536

0,1546
0,397

23,5773

67,3991

67,2139

0,1596

32,4169
33,0418
19,876

95,0065
102,3228
61,5265

93,7286
1013305
6102941

0,19
0,1569
0,082

22,2717
17,6634
13,9299
46,4781
16,9146
22,611

67,4688
53,4312
42,4389
122,1566
50,5132
77,1844

65,6289
51,8656
43,4423
117,6026
51,3205
72,9836

0,0574
0,1456
0,0569
0,3359
0,0835
0,1856

roussillon
ProvenceAlpes-Cote
dAzur
corse

41,7962

135,3503

128,8535

0,2466

8,871

28,6866

28,5714

0,0008

a) Compruebe; utilizando las condiciones de orden y de rango que las ecuaciones estn exactamente
identificadas.
Condicion de orden
Ecuacin

K-k

M-m

Resultados

Identificabilidad

primera
segunda

2-1
2-1

2-1
2-1

1=1
1=1

exactamente identificada
exactamente identificada

Condicin de Rango
Ecuacin

LNAKM

primera
segunda

POBKM IVNAKM POBKM5

Identificabilidad

1
1

exactamente identificada
exactamente identificada

2
0

0
- 1

En la condicin de rango para ver si estn identificadas o no procedemos de la siguiente manera:

Ecuacin 1: La matriz es [ 1 ] y su determinante es 1 0 por lo tanto la ecuacin est identificada y segn la
condicin de orden la ecuacin esta exactamente identificada.
Ecuacin 2: La matriz es [ 2 ] y su determinante es 2 0 por lo tanto la ecuacin est identificada y segn la
condicin de orden la ecuacin esta exactamente identificada.
b) Estime los parmetros de la forma estructural con MC2E (en E-views y SPSS) y con MCI Coinciden los
resultados?
La primera ecuacin en su forma reducida:

LNAKM = 1 (1POBKM5 + 2 LNAKM + u t ) 2 IVNAKM + t

LNAKM =

+ 1u t
1 1
2
POBKM 5 +
IVNAKM + t
(1 1 2 )
(1 1 2 )
(1 1 2 )

LNAKM = 1POBKM5 + 2 IVNAKM + v1t

La segunda ecuacin en su forma reducida:

POBKM = 1POBKM5 + 2 (1POBKM + 2 IVNAKM + t ) + u t

POBKM =

u + 2 t
1
2 2
POBKM 5 +
IVNAKM + t
(1 1 2 )
(1 1 2 )
(1 1 2 )

POBKM = 3 POBKM5 + 4 IVNAKM + v 2 t

Una vez obtenidas las ecuaciones de la forma reducida, efectuamos separadamente cada una de ellas (MCO a cada
ecuacin de la forma reducida) en el programa SPSS y obtenemos los siguientes resultados
MC2E ( SPSS)
Aplicando MC2E para el modelo en el programa SPSS :
Para la primera ecuacin los resultados son :
MODEL:

MOD_1.

Equation number:

Dependent variable.. LNAKM

Listwise Deletion of Missing Data

Multiple R
R Square
Adjusted R Square
Standard Error

,99970
,99939
,99933
2,45502

Analysis of Variance:
DF

Sum of Squares

Mean Square

2
20

198306,35
120,54

99153,176
6,027

16451,13676

Signif F =

Regression
Residuals
F =

,0000

------------------ Variables in the Equation -----------------Variable

POBKM
IVNAKM

SE B

Beta

Sig T

,276437
36,081159

,006942
1,533201

,637530
,376733

39,823
23,533

,0000
,0000

Correlation Matrix of Parameter Estimates

POBKM
IVNAKM
MODEL:

POBKM

IVNAKM

1,0000000
-,9388734

-,9388734
1,0000000

Para la segunda ecuacin los resultados son :

MOD_2.

Equation number:

Dependent variable.. POBKM

Listwise Deletion of Missing Data

Multiple R
R Square
Adjusted R Square
Standard Error

,99998
,99995
,99995
1,60487

Analysis of Variance:
DF

Sum of Squares

Mean Square

2
20

1055386,6
51,5

527693,31
2,58

204882,09878

Signif F =

Regression
Residuals
F =

,0000

------------------ Variables in the Equation -----------------Variable

LNAKM
POBKM5

SE B

Beta

Sig T

,190624
,948168

,025504
,011417

,082656
,918106

7,474
83,049

,0000
,0000

Correlation Matrix of Parameter Estimates

LNAKM
POBKM5

LNAKM

POBKM5

1,0000000
-,9899658

-,9899658
1,0000000

AHORA APLICANDO MC2E EN EL PROGRAMA E-views

Dependent Variable: LNAKM
Method: Least Squares
Date: 06/19/07 Time: 00:46
Sample(adjusted): 1 22
Included observations: 22 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

POBKM
IVNAKM

0.276465
36.07537

0.007103
1.568969

38.92038
22.99304

0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.999130
0.999086
2.512794
126.2827
-50.43893

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

49.21626
83.13775
4.767176
4.866361
2.169952

Dependent Variable: POBKM

Method: Least Squares
Date: 06/19/07 Time: 00:49
Sample(adjusted): 1 22
Included observations: 22 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

POBKM5
LNAKM

0.948836
0.189117

0.011498
0.025676

82.52406
7.365590

0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.999921
0.999917
1.642491
53.95555
-41.08495

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

130.6867
179.9080
3.916813
4.015999
1.513954

APLICACIN DE MCI ( SPSS)

A continuacin se presentan los resultados de las ecuaciones en su forma reducida:
Primea Ecuacin

LNAKM = 0.277 POBKM 5 + 38.088IVNAKM

se =

(0.007)
(37.980)

(0,000)
F = 14963,496
R2=0,999
t =

(1.558)
(24.455)
(0,000)

Segunda Ecuacin

POBKM = 1.001POBKM 5 + 7.261IVNAKM

se =
t =

F = 187031.223

(0.005)
( 210.553)
(0,000)
R2=1.000

(1.017)
(7.141)
(0,000)
R2 Ajustado=1.000

ESTIMACIONES DE LOS PARMETROS

4
1 = 3 1 = 1.00091172-0.27668923 (7.26054299/38.0882432)
2

4
1 = 3 1 = 1.00091172-0.27668923(0.190624255)
2

1 = 0.9482

2 =

7.26054299/38.0882432

2 = 0.1906


1
2 = 2 4 = 38.0882432-7.26054299(0.27668923/1.00091172)
3

1
2 = 2 4 = 38.0882432-7.26054299(0.276437196)
3

2 = 36.0812

1 =

= 0.27668923/1.00091172

1 = 0.2764

As las ecuaciones estimadas por MCI son:

LNAKM = 0.2764 POBKM + 36.0812 IVNAKM

POBKM = 0.9482 POBKM 5 + 0.1906 LNAKM

Las mismas ecuaciones estimadas por MCO en el programa SPSS son :

LNAKM = 0.276 POBKM + 36.075IVNAKM

POBKM = 0.949 POBKM 5 + 0.189 IVNAKM

c) Estime las ecuaciones reducidas e interprete
Ecuacin 1 en su Forma Reducida

LNAKM = 0.277 POBKM 5 + 38.088IVNAKM

INTERPRETACIN:

1
Dados cambios unitarios en la densidad de poblacin en 1995 se estima que en promedio la densidad de empleo no
agrario en 1995 se incrementar en 0.277, como podemos darnos cuente existe una relacin directa entre estos dos
parmetros, es decir si incrementa el uno tambin incrementar el otro y viceversa.

2
Dados incrementos en la densidad del valor aadido no agrario en 1995 se estima que en promedio la densidad de
empleo no agrario en 1995 se incrementar en 38.088, como podemos darnos cuente existe una relacin directa
entre estos dos parmetros, es decir si incrementa el uno tambin incrementar el otro y viceversa.

Ecuacin 2 en su Forma Reducida

POBKM = 1.001POBKM 5 + 7.261IVNAKM

INTERPRETACIN:

1
Dados cambios unitarios en la densidad de la poblacin del valor aadido no agrario en 1995 se estima que en
promedio la densidad de poblacin en 1995 se incrementar en 1.001, como podemos darnos cuente existe una
relacin directa entre estos dos parmetros, es decir si incrementa el uno tambin incrementar el otro y viceversa.

2
Dados cambios unitarios en la densidad de empleo no agrario en 1995 se estima que en promedio la densidad de
poblacin en 1995 se incrementar en 7.26, como podemos darnos cuente existe una relacin directa entre estos dos
parmetros, es decir si incrementa el uno tambin incrementar el otro y viceversa.

d) Obtenga las estimaciones de los parmetros de la forma reducida deducida Coinciden con las
estimaciones del literal anterior?

FORMA REDUCIDA DEDUCIDA

LNAKM 0.2764 POBKM 36.0812 IVNAKM = 0

(1)

POBKM 0.9482 POBKM 5 0.1906 LNAKM = 0

(2)

Las matrices de los coeficientes de las variables endgenas (A) y la de coeficientes de las variables
predeterminadas (B) son:

0 .276437

A=
0 .190624

0
36.081159

B=

0.948168 0

Por tanto A-1 =Adj/ A

0.27668

1
0.276437

0.190624
1

= 1.0556268 0.291814309
=

0.943704473
0.20122781 1.055626811

38.0882

A-1 B =

1.00091 7.26053

4. Para el siguiente modelo multiecuacional, indique:

MODELO
Yt = 0 + 1Y y 1 + 2 I t + u1t

I t = 3 + 4Yt + 5 Qt + u 2t
C t = 6 + 7Yt + 8 C t 1 + 9 Pt + u 3t
Qt = 10 + 11Qt 1 + 12 Pt 1 + u 4t

a) Si es un modelo de ecuaciones simultneas o no. Por qu?

Si es un modelo de ecuaciones simultaneas porque dos de sus variables que son endgenas funcionan como
explicadas y explicativas en ecuaciones intecambiadas.
b) Las ecuaciones de comportamiento y las ecuaciones de definicin.
Yt = 0 + 1Y y 1 + 2 I t + u1t

I t = 3 + 4Yt + 5 Qt + u 2t
C t = 6 + 7Yt + 8 C t 1 + 9 Pt + u 3t
Como podemos darnos cuenta todas las ecuaciones son de comportamiento, debido a que las ecuaciones de
comportamiento son aquellas que tienen variable aleatoria y en este caso todas las ecuaciones las tienen.
c) Las variables endgenas actuales y rezagas, y las exgenas actuales y rezagadas.
Variables endgenas actuales: Yt, It, Ct, Qt
Variables endgenas rezagadas: Yt-1, Ct-1, Qt-1
Variables endgenas rezagadas: Pt
Variables exgenas rezagadas: Pt-1
d) Cambie de nomenclatura a la convenida clase.
Vamos a cambiar 0 3 6 y 10 por y respectivamente:
Yt = 0 + 1Yt 1 + 2 I t + u1t

I t = 0 + 1Yt + 2Qt + u 2 t

C t = 0 + 1Yt + 2 C t 1 + 3 Pt + u 3t
Q t = 0 + 1Q t 1 + 2 Pt 1 + u 4 t

5. Dadas las siguientes estimaciones por mnimos cuadrados ordinarios.

C t = 1 + 0.92Yt + u1t
C t = 1 + 0.84C t 1 + u 2t
C t 1 = 1 + 0.78Yt + u 3t
Yt = 1 + 0.55Yt 1 + u 4t
Calcule los estimadores de MCO de 2 y 3 en la regresin:
C t = 1 + 2Yt + 3C t 1 + u t
6. Con las siguientes ecuaciones:

Y1 = 5 + 0 .8 Y 2 0 .4 X 1

Y 2 = 3 . 2 1 . 12 Y1 + 6 . 4 X

Compruebe la siguiente igualdad:

= A 1 B
E = A 1U

Primera ecuacin de la forma reducida:

Y1 = 5 + 0 . 8 Y 2 0 . 4 X 1

Y1 = 5 + 0 . 8 ( 3 . 2 1 . 12 Y1 + 6 . 4 X 2 ) 0 . 4 X 1

Y1 = 5 + 2 . 56 0 . 896 Y1 + 5 . 12 X

Y1 + 0 . 896 Y1 = 7 . 56 + 5 . 12 X

Y1 =

Y1 =

7 . 56
5 . 12
+
X
1 . 896
1 . 896

0 .4 X 1

0 .4 X 1

Y1 (1 0 . 896 ) = 7 . 56 + 5 . 12 X

0 .4 X 1

0 .4
X1
1 . 896

7 . 56
0 .4
5 . 12

X1 +
X
1 . 896
1 . 896
1 . 896

Y1 = 10 11 X 1 + 12 X

(1)

Segunda ecuacin de la forma reducida:

Y 2 = 3 . 2 1 . 12 Y1 + 6 . 4 X

Y 2 = 3 . 2 1 . 12 ( 5 + 0 . 8 Y 2 0 . 4 X 1 ) + 6 . 4 X

Y 2 = 3 . 2 5 . 6 0 . 896 Y 2 + 0 . 448 X 1 + 6 . 4 X

Y 2 (1 + 0 . 896 ) = 2 . 4 + 0 . 448 X 1 + 6 . 4 X

Y2 =

2 .4
0 . 448
6 .4
+
X1 +
X
1 . 896
1 . 896
1 . 896

Y2 =

20

21

X1 +

22

(2)

Presentacin matricial en su forma reducida:

Y + B + E = 0

Y1 10 11 12 X 1 e1
+
=0
+

Y2 20 21 22 X 2 e2
Y1 3.9874 0.2109 2.700 X 1 e1
+
X + e = 0

1
.
2658
0
.
2362
3
.
375
2 2
Y2
Y1 6.476793249 X 1 e1
+
+ e = 0

2
.
34599156
X
2
2
Y2
Y1 6.476793249 X 1 e1 = 0
Y 2.34599156 X e = 0
2

Forma reducida deducida:

Y = ( BX + U )
1 AY = A 1 BX A 1U
Y + A 1 BX + A 1U = 0

1 0.8 Y1 5 0.4 0 X 1 e1 0
1.12 1 + 3.2 0 6.4 X + e = 0

Y2
2 2
1 1.12
Adj

0.8 1
1 0.8
Adj =

1.12 1

A = 1.896
0.8
1

Adj
1 1 0.8 1.896
1.896
A 1 =
=
=

1
A
1.896 1.12 1 1.12

1.896
1.896
0.52742616 0.421940928
A 1 =

0.590717299 0.52742616
A * A 1 = I

1 0.8 0.52742616 0.421940928 1 0

1.12 1 0.590717299 0.52742616 = 0 1 = I

Y + A 1 BX + A 1U = 0
Y1 0 .5274 0 .4219 5 0 .4 0 X 1
+

+
Y2 0 .5907 0 .5274 3 .2 0 6 .4 X 2
Y1
+
Y2

3 .9873 0 .21097 2 .7004 X 1

1 .2658 0 .23629 3 .3755274 X +

Y1
+

Y 2

6 .8987 X 1
1 .8734 X +

0 .94936 e1
0 .063291 e = 0

= A 1 * B
0.5274 0.4219 5 0.4 0
=

0.5907 0.5274 3.2 0 6.4

6.89873
=

1.87341
E = A 1 * U

0.5274 0.4219 e1
E=

0.5907 0.5274 e2
0.9494e1
E=

0.06329e2

0 .5274 0 .4219 e1
0 .5907 0 .5274 e = 0

0 .94936 e1
0 .063291 e = 0