Econometría

Matrices

Victor Ruíz Díaz

Universidad Nacional de Asunción

Victor Ruíz Díaz Econometría 01/04/2014 1

 Introducción
• ¿Qué es una matriz?
Es una colección de números ordenados de forma abierta en un arreglo
rectangular, generalmente ordenados convenientemente para el propósito
que se necesite. En general, vamos a decir que las matrices contienen
información, y esa información se ordena en los diferentes elementos.
• Su forma general es la siguiente:
donde n es el número de filas y k
 a11 a12 L a1k  el número de columnas.
a a22 L a2 k 
Anxk =  21
 M M O M 
  Las dimensiones de una matriz
 an1 an1 L ank 
son nxk.

Victor Ruíz Díaz Econometría 01/04/2014 2

 Introducción
Algunas matrices típicas son:
• Vector: matriz donde alguna de sus dimensiones es igual a uno.
• Escalar: matriz de orden 1x1.
• Matriz Cuadrada: matriz donde el número de filas es igual al número de
columnas.

Victor Ruíz Díaz Econometría 01/04/2014 3

 Introducción
Algunas matrices típicas son:
• Matriz Triangular: matriz cuadrada que tiene ceros encima o debajo de la
diagonal principal. Por ejemplo:

1 0 0 
A =  2 4 0 
 3 5 6 

• Matriz Diagonal: matriz cuadrada cuyos elementos son todos ceros,

salvo la diagonal principal. Por ejemplo:

1 0 0 
A = 0 4 0 
0 0 6 

Victor Ruíz Díaz Econometría 01/04/2014 4

 Introducción
Algunas matrices típicas son:
• Matriz Simétrica: es aquella en donde se cumple que aij = a ji para todo
i, j. Por ejemplo:

1 2 3
A =  2 4 5 
 3 5 6 

• Matriz Identidad: matriz diagonal con sólo unos en la diagonal. Por

ejemplo:

1 0 0 
A = 0 1 0 
0 0 1 

Victor Ruíz Díaz Econometría 01/04/2014 5

 Operaciones básicas
Operaciones:
• Igualdad: las matrices A y B son iguales, si y sólo si tienen la misma
dimensión y cada elemento de A es igual a cada elemento de B.
'
• Transposición: la matriz transpuesta de Anxk designada como Akxn es
aquella cuyas filas son las columnas de A, o bien cuyas columnas son las
filas de A. Por ejemplo:

1 2 3 1 4 7 
Anxk =  4 5 6  Akxn =  2 5 8 
7 8 9   3 6 9 

Victor Ruíz Díaz Econometría 01/04/2014 6

 Operaciones básicas
Operaciones:
Algunas propiedades de la transposición son:
• (A’)’ = A
• (A + B)’ = A’ + B’
• (AB)’ = B’A’
• Si A’ = A entonces, A es simétrica
• El transpuesto de un vector columna es el mismo vector, pero como
vector fila.

Victor Ruíz Díaz Econometría 01/04/2014 7

 Operaciones básicas
Operaciones:
• Suma y Resta: para que dos matrices sean sumables (restables) deben
tener exactamente la misma dimensión. La suma (resta) es sencillamente
la suma (resta) de cada elemento i,j en cada una. Por ejemplo:

 a11 a12 a13   b11 b12 b13   a11 + b11 a12 + b12 a13 + b13 
Anxk =  a21 a22 a23  + b21 b22 b23  =  a21 + b21 a22 + b22 a23 + b23 
 a31 a32 a33  b31 b32 b33   a31 + b31 a32 + b32 a33 + b33 

La suma es asociativa y conmutativa, es decir:

•A+B=B+A
• A + B + C = (A + B) + C = A + (B + C)
Victor Ruíz Díaz Econometría 01/04/2014 8
 Operaciones básicas
Operaciones:
• Traza: es la suma de los elementos de la diagonal principal (para que
exista diagonal principal la matriz debe ser cuadrada).
Algunas propiedades son:
• Tr(A + B) = Tr(A) + Tr(B)
• Tr(In) = n
• Propiedad circular: Tr(ABC) = Tr(CAB) = Tr(BCA)

Victor Ruíz Díaz Econometría 01/04/2014 9

 Multiplicación
¿Qué hay detrás del producto de matrices?
• Producto: un producto entre dos matrices es una operación construida
para realizar combinaciones lineales. Una combinación lineal de números
(o vectores) significa sumar estos números multiplicados por alguna
constante. Por ejemplo:
2a + 3b + 4c
es una combinación lineal de 2, 3, 4 ponderándolos por a, b y c.
El propósito de la multiplicación entre dos matrices, es entonces,
combinar linealmente los vectores de la primera matriz utilizando como
ponderadores los números de cada columna de la segunda. En este
sentido, es distinto multiplicar por la izquierda o derecha (pre y post
multiplicación).

Victor Ruíz Díaz Econometría 01/04/2014 10

 Multiplicación
Ejemplos:
• Ejemplo 1:
Sea:

 a11 a12 a13   a11   a12   a13 

Anxk =  a21 a22 a23  =  a21  ⋅  a22  ⋅  a23 
 a31 a32 a33   a31   a32   a33 
La post multiplicación por un vector v cualquiera es:

 a11 a12 a13   x 

r 
Av =  a21 a22 a23  ⋅  y 
 a31 a32 a33   z 

Victor Ruíz Díaz Econometría 01/04/2014 11

 Multiplicación
Ejemplos:
¿Cuál es la lógica de la multiplicación?

a a a   x  a11   a12   a13   xa11 + ya12 + za13 

r  11 12 13   
Av = a21 a22 a23  ⋅  y  = x a21  + y a22  + z a23  =  xa21 + ya22 + za23  = b
a31 a32 a33   z  a31  a32  a33   xa31 + ya32 + za33 

Esta operación equivale a sumar los tres vectores de la matriz A usando

como ponderadores los números del vector v.

Victor Ruíz Díaz Econometría 01/04/2014 12

 Multiplicación
Ejemplos:
Llamémosle b a la matriz resultante.
¿Qué fue necesario para poder realizar la operación?
Conformabilidad, es decir, que el número de columnas de la primera sea igual
al número de filas de la segunda.
¿Por qué?
Porque necesito el mismo número de vectores que de ponderadores con los
cuales voy a combinar linealmente.
El producto tendrá tantas filas como filas tenían los vectores que se
combinaron, y tantas columnas como combinaciones lineales se realizaron.
r
A3 x 3 v3 x1 = b3 x1

Victor Ruíz Díaz Econometría 01/04/2014 13

 Multiplicación
Ejemplos:
• Ejemplo 2:

a bo p  a b a b oa + qb pa + rb

C2x2D2x2 =    = o   + q   p   + r   =   = E2x2
c d q r   c d  c d  oc + qd pc + rd 

En este caso, estamos realizando 2 combinaciones lineales distintas.

• Ejemplo 3: multiplicación por un escalar.

 a11 a12 a13  α a11 α a12 α a13 

α A = α  a21 a22 a23  = α a21 α a22 α a23 
 a31 a32 a33  α a31 α a32 α a33 

Victor Ruíz Díaz Econometría 01/04/2014 14

 Multiplicación
Propiedades:
Algunas propiedades del producto son:
• AB ≠ BA
• AI = IA = A
• ABC = (AB)C = A(BC)
• Si AA = A entonces, A es idempotente
Esta última propiedad suena un poco rara, pero ya tendrá sentido.
Comience pensando en la matriz identidad. Recuerde cuál era el concepto
detrás de la multiplicación.

Victor Ruíz Díaz Econometría 01/04/2014 15

 Multiplicación
Productos típicos:
Suma de los elementos:
Sea:

 x1  1 1 n
x =  M  i = M  x ' i = [ x1 L xn ] M  = ∑ xi
 xn  1 1
1

¿Cuál es la intuición?

Victor Ruíz Díaz Econometría 01/04/2014 16

 Multiplicación
Productos típicos:
Suma de los elementosˆ2:
Sea:

 x1  n
x ' x = [ x1 L xn ]  M  = ∑ xi2
 xn 
1

¿Cuál es la intuición?

Victor Ruíz Díaz Econometría 01/04/2014 17

 Independencia y dependencia lineal
Dependencia lineal:
Dos vectores son linealmente dependientes (l.d), si uno de ellos es múltiplo
escalar del otro. Por ejemplo:
Sean:

1   2
a=  b= 
 2  4
a y b son linealmente dependientes, pues b = 2 * a
Intuitivamente, esto significa que b no aporta nueva información que la que
ya conocemos en a, luego a es irrelevante.
Más generalmente, un vector y será linealmente dependiente de un conjunto
de vectores x, si y puede ser escrito como una combinación lineal de uno o
más vectores de x.
Victor Ruíz Díaz Econometría 01/04/2014 18
 Independencia y dependencia lineal
Independencia lineal:
Dos matrices son linealmente independientes (l.i) si no existe ninguna
combinación lineal posible de alguna, que dé como resultado la otra (si
tiene determinante no nulo).
La intuición de la independencia lineal de las columnas (filas) de una
matriz es que cada columna (fila) entrega nueva información respecto a la
anterior, por lo tanto, todas las columnas (filas) son importantes.

Victor Ruíz Díaz Econometría 01/04/2014 19

 Determinante
Determinante:
Es una función que asocia un número real a una matriz cuadrada.
Es más fácil entender este número geométricamente.
Por ejemplo, tomemos la matriz:

 5 1
A= 
 2 3 

Victor Ruíz Díaz Econometría 01/04/2014 20

 Determinante

Victor Ruíz Díaz Econometría 01/04/2014 21

 Determinante
¿Cuándo el determinante será cero?
Cuando los vectores no formen un área, es decir, cuando uno esté sobre otro,
sin necesariamente ser del mismo largo. Esto es sinónimo de decir que uno
sea la combinación lineal del otro, es decir, cuando la información de un
vector está repetida en otro.
Conclusión:
El determinante de una matriz será no nulo (distinto de cero) ssi. los
vectores que la conforman son linealmente independientes.

Victor Ruíz Díaz Econometría 01/04/2014 22

 Determinante
¿Cómo calcular el determinante?
Procedimiento de Laplace:
1. Escoger una fila o columna de la matriz.
2. Para cada elemento de la fila o columna escogida (llamémosle aij) calcule
su cofactor, definido como:
cij = ( −1)
i+ j
M ij
donde, M ij es el menor del elemento i,j.
3. Luego, el determinante es:
n
A = ∑ aij cij
j =1

¿Cómo lo hacemos en realidad?

Victor Ruíz Díaz Econometría 01/04/2014 23

 Determinante
Ejemplo:
Sea:

 2 −1 3 
Anxk =  3 0 −5
 2 1 1 

Victor Ruíz Díaz Econometría 01/04/2014 24

 Determinante
Ejemplo:
Sea:

0 −5
c11 = ( −1) M 11 = ( −1)
1+1 2
=5
 2 −1 3  1 1
Anxk =  3 0 −5 −1 3
c21 = ( −1) M 21 = ( −1)
2 +1
 2 1 1 
3
=4
1 1

−1 3
c31 = ( −1) M 31 = ( −1)
3+1 4
=5
0 −5

Victor Ruíz Díaz Econometría 01/04/2014 25

 Determinante
Ejemplo (cont.):

A = 2c11 + 3c21 + 2c31

A = 2(5) + 3(4) + 2(5) = 32

Victor Ruíz Díaz Econometría 01/04/2014 26

 Determinante
Propiedades:
Algunas propiedades del determinante son:
• Si |A| = 0, la matriz se dice singular.
• |A’| = |A|
• Si una fila o columna es una combinación lineal de otras, es decir, es
linealmente dependiente, el valor del determinante será cero.
• El determinante de una matriz diagonal es igual al producto de los
elementos de la diagonal.
• Si todos los elementos de una fila o columna son ceros, entonces |A| = 0
• Si sumamos o restamos k veces una fila, o una columna, a otra fila o
columna, entonces el determinante no cambia.
• Si A y B son del mismo orden, |AB| = |A||B|
Victor Ruíz Díaz Econometría 01/04/2014 27
 Rango
¿Qué es el rango?
Es el máximo número de filas o vectores l.i.
Una matriz se dice de rango completo si todos los vectores que la conforman
son l.i. entre sí.
Algunas propiedades del rango son:
• El número máximo de filas l.i. de una matriz será igual al número de
columnas l.i. e igual al rango.
• Rango(Amxn) = min(m, n)
• Rango(AB) = min(rango(A), rango(B))
• Rango(A) = Rango(A’) = Rango(A’A) = Rango(AA’)
• Una matriz cuadrada será de rango completo ssi. su determinante es no
nulo.
Victor Ruíz Díaz Econometría 01/04/2014 28
 Click
¿Independencia y dependencia lineal, determinante y rango?
¿Cómo se relacionan estos conceptos?
Piense en la relación.
Será cierto qué (para matrices cuadradas):

rango completo ↔ independencia lineal ↔ determinante no nulo

rango incompleto ↔ dependencia lineal ↔ determinante nulo

Victor Ruíz Díaz Econometría 01/04/2014 29

 Matriz inversa
Matriz inversa:
La matriz inversa de A, simbolizada por A−1 , se define como una matriz
que multiplicada por A da como resultado la matriz identidad.
Es algo así como la “división” en matrices.
En el caso de una matriz cuadrada, para que su inversa exista, debe tener
determinante distinto de cero (rango completo).
Para este curso, basta con saber que sólo las matrices cuadradas son
invertibles. Luego, si x’x es invertible, nada nos dice que x si lo será.
A continuación veremos por qué es necesario que el determinante sea
distinto de cero.

Victor Ruíz Díaz Econometría 01/04/2014 30

 Matriz inversa
¿Cómo se calcula?

A = (A )
−11 c '

A
donde, Ac es la matriz de cofactores de A
Algunas de las propiedades de la inversa son:
−1 −1
• (A ) = A
• ( AB ) −1 = ( B) −1 ( A) −1
' −1
• (A ) = A ( )
−1 '

• Si una matriz es cuadrada y no singular, su inversa existe y el única.

Si la matriz no es de rango completo, ¿tendrá inversa?

Victor Ruíz Díaz Econometría 01/04/2014 31
 Ejercicios
Problema 1 : Obtener la inversa de la siguiente matriz:

2 1 3
Anxk =  4 5 4 
 3 2 1 

Victor Ruíz Díaz Econometría 01/04/2014 32

 Ejercicios
Solución:
Primero debemos ver si dicha inversa existe. Calculemos su determinante:

n
A = ∑ aij cij cij = ( −1)
i+ j
para todo i, donde M ij
j =1

1 2 3
  1+1 5 4 1+2 4 4 1+3 4 5
A = 4 5 4 = 1( −1)   + 2 ( −1)   + 3( −1)  
 2 1   3 1   3 2
3 2 1

A = 1⋅ (5 ⋅1− 4 ⋅ 2) − 2 ⋅ (4 ⋅1− 4 ⋅ 3) + 3⋅ (4 ⋅ 2 − 5 ⋅ 3) = −3 +16 − 21 = −8

Victor Ruíz Díaz Econometría 01/04/2014 33

 Ejercicios
El determinante es distinto de cero, por lo que podemos calcular la inversa
de A.

A = (A )
1 c '
−1

Calculemos la matriz de cofactores:

 1+1 5 4 4 4 4 5
 ( −1) ( −1) ( −1)
1+ 2 1+ 3

 2 1 3 1 3 2
   −3 8 −7 
2 +1 2 3 1 3 2 +3 1 2  4 −8 4 
A = ( −1) ( −1) ( )
2+ 2
c
− 1  =
 2 1 3 1 3 2  
   −7 8 −3 
( −1)3+1 2 3
( −1)
3+ 2 1 3
( −1)
3+ 3 1 2
 5 4 4 4 4 5 

Victor Ruíz Díaz Econometría 01/04/2014 34

 Ejercicios
Luego, la transponemos y la dividimos por su determinante:

3 1 7
−
 −3 8 −7   8 2 8
1  
 = −1 1 
A = (A )
−11 c '
= 4 −8 4   −1
A −8 
 −7 8 −3  7 1 3
 − 
8 2 8

Victor Ruíz Díaz Econometría 01/04/2014 35

 Sistemas de ecuaciones lineales
Un sistema de ecuaciones lineales típico puede ser representado de forma
normal o de forma matricial:
Forma normal:
a11 x + a12 y = b1
a21 x + a22 y = b2
Forma matricial:
 a11 a12   x   b1 
a    = 
 21 a22   y  b2 

Ax = b
Queremos resolver las variables x e y de forma matricial, ¿cómo?

Victor Ruíz Díaz Econometría 01/04/2014 36

 Sistemas de ecuaciones lineales
Lo que buscamos es despejar el vector x en función del resto de las
variables. Para esto utilizamos la matriz inversa:
Si A es de rango completo, es decir, posee inversa única, podemos pre
multiplicar la expresión anterior por A−1 y obtenemos el resultado
A−1 Ax = A−1b

x = A−1b
Donde la solución sería:

 a22b1 − a12b2 
x 1  a22 − a12   b1   a11a22 − a12 a21 
 y  = a a − a a −a    = 
  11 22 12 21  21 a11  b2   − a21b1 − a11b2 
a a − a a 
 11 22 12 21 
Victor Ruíz Díaz Econometría 01/04/2014 37
 Sistemas de ecuaciones lineales
Un sistema de ecuaciones se define homogéneo cuando el vector b solo
contiene ceros, es decir, de la forma:
Ax = 0
En este caso, si A posee inversa, la única solución al sistema de ecuaciones
es:
A−1 Ax = A−1 0

x = A−1 0 = 0

 x  0
 y  = 0
   

Victor Ruíz Díaz Econometría 01/04/2014 38

 Valores y vectores característicos
¿Qué ocurre en el caso anterior si A no posee inversa? O dicho de otra
forma, ¿qué ocurre si sabemos que el vector x es no nulo?
Un caso implica al otro, es decir, si en un sistema de ecuaciones
homogéneo buscamos un vector de solución no nulo, A no puede ser de
rango completo, es decir, no puede poseer inversa (única).
Planteemos el problema de la siguiente forma:
Cx = 0
Descompongamos la matriz C de la siguiente manera:
( A − λI ) x = 0
Donde λ es un escalar. Reordenando, tendríamos la siguiente expresión:
Ax = λ x

Victor Ruíz Díaz Econometría 01/04/2014 39

 Valores y vectores característicos
De la solución de este sistema de ecuaciones se obtienen los llamados valores
característicos o propios, λ, y los vectores característicos o propios, x.
Volviendo a la ecuación anterior, la única forma de que esta ecuación tenga
un vector de solución x no nulo es que C no tenga inversa, es decir, que el
determinante de C sea cero:
C = A − λI = 0
La ecuación anterior, en función de la variable λ, se denomina la ecuación
característica. El valor de λ que soluciona dicha ecuación es el valor
característico:

 a11 a12  λ 0   a11 − λ a12 

A − λI =   − = 
 a21

a22   0 λ   a21 a22 − λ 
= ( a11 − λ )( a22 − λ ) − a12 a21 = 0
Victor Ruíz Díaz Econometría 01/04/2014 40
 Valores y vectores característicos
De esta ecuación obtendremos dos valores característicos, λ1 y λ2 .

( a11 + a22 ) ± ( a11 + a22 ) − 4 ( a11 + a22 − a12 + a21 )

2

λ1,2 =
2
( a11 + a22 ) ± ( a11 + a22 ) + 4a12 + a21
2

λ1 , λ2 =
2
Habiendo obtenido los valores característicos, los vectores característicos se
derivan del problema original: ( A − λ I ) x = 0
Si lo desarrollamos:
  a11 a12  λi 0    xi  0 
A − λ I xi =    −    =  
  a21 a22   0 λi    yi  0 
 a11 − λi a12   xi   ( a11 − λi ) xi + a12 yi  0 
 a    = = 
 21 a22 − λi   yi   a21 xi + ( a22 − λi ) yi  0 
Victor Ruíz Díaz Econometría 01/04/2014 41
 Valores y vectores característicos
La solución a estas ecuaciones no será única, es decir, se obtendrá una
solución a x en función de y. Esto es lógico, pues partimos de la premisa
que de existir una solución única, ésta sería el vector nulo; como
buscamos una solución distinta, ésta no será única y de hecho puede
tomar infinitos valores.
A partir de los valores y vectores obtenidos, se definen dos matrices. La
matriz diagonal D reúne los valores característicos en su diagonal
principal, con ceros en el resto de la matriz; por otro lado, la matriz
denominada modal M agrupa los vectores característicos en el mismo
orden en el cual se colocaron los valores característicos en la matriz
diagonal:
λ1 0   x1 x2 
D=  M = 
 0 λ2 y
 1 y 2

Victor Ruíz Díaz Econometría 01/04/2014 42

 Valores y vectores característicos
Estas dos matrices se relacionan con la matriz original de la siguiente manera:
M ' AM = D
A esto se le llama diagonalización de la matriz original. Algunas propiedades
adicionales muy interesantes de los valores y vectores característicos, y de estas
matrices, son los siguientes:
• El rango de una matriz es igual al número de valores característicos no nulos de
ella.
• Consecuentemente, si algún valor propio de una matriz es igual a cero, esta
matriz es no invertible.
• Los valores característicos de una matriz idempotente son sólo unos o ceros. Por
ende, el rango de una matriz idempotente es igual al número de valores
característicos iguales a uno.
• ∑λ
i
i = Traza ( A) y ∏λi
i = A
Victor Ruíz Díaz Econometría 01/04/2014 43
 Valores y vectores característicos
• M ' M = MM ' = I
2
• Los valores propios de la matriz A son el cuadrado de los valores propios de A.
• Los valores propios de A−1 son los inversos de los valores propios de A, los vectores
propios son los mismos que los de A.
• Los valores propios de una matriz simétrica son reales, y no son necesariamente
todos distintos. Por otro lado, los vectores propios de una matriz simétrica son
ortogonales entre ellos, es decir, x i , x j = 0 .
• Utilizando propiedades anteriores y la diagonalización de la matriz original, podemos
obtener la llamada descomposición espectral de la matriz original:
A = MDM '
• En el caso de una matriz cualquiera que sólo tiene elementos distintos de cero en su
diagonal principal, dicha matriz elevada a n es igual a la misma matriz, en donde cada
valor de su diagonal está elevado a n. Sea A una matriz cuadrada cualquiera, es
posible demostrar que: An = A ⋅ A ⋅ A ⋅ ... ⋅ A = MD n M '
Victor Ruíz Díaz Econometría 01/04/2014 44
 Diferenciación matricial
Sea f ( x) : R N → R una función escalar de un vector.
A las derivadas parciales de f(x) las podemos organizar en un vector
columna al que llamamos gradiente:
 ∂f ( x) 
 ∂x 
 1

 ∂f ( x) 
∂f ( x ) 
=  ∂ x 2 
∂x
 M 
 
 ∂f ( x) 
 ∂ x N 

Por otra parte, a las segundas derivadas de f(x) las ordenamos en una
matriz cuadrada, la que recibe el nombre de Hessiano:
 ∂f ( x ) ∂f ( x ) ∂f ( x ) 
 ∂x ∂x L
∂ x1 ∂ x 2 ∂ x1 ∂ x N 
 1 1 
 ∂f ( x ) ∂f ( x ) ∂f ( x ) 
∂f ( x )  L
= ∂ x 2 ∂ x1 ∂x2∂x2 ∂x2∂x N 
∂x∂x '  
 M M O M 
 
 ∂f ( x ) ∂f ( x )
L
∂f ( x ) 
 ∂ x N ∂ x1 ∂x N ∂x2 ∂ x N ∂ x N 

Victor Ruíz Díaz Econometría 01/04/2014 45

 Diferenciación matricial
 ∂ [ f ( x)]
  Se usa normalmente la convención de
 ∂ x1 
Si xnx1 , entonces,  ∂ [ f ( x)] que la derivada de una función respecto
∂ [ f ( x)]  
=  ∂x2  a una columna da como resultado un
∂x  
M
 
 ∂ [ f ( x)] vector columna. Pero hay que tener
 
 ∂xN  cuidado con el orden matricial.
Algunos resultados:
∂ [ x ' Ax ]
∂ [a ' x] = ( A + A ' ) x si A es cuadrada
=a ∂x
∂x ∂ [ x ' Ax ]
= ( A + A ') x
∂ [ Ax ] ∂x '
=A ∂ [ x ' Ax ]
∂x ' = 2 Ax si A es simétrica
∂x
∂ [ Ax ] ∂ [ x ' Ax ]
= A' = 2 Ax
∂x ∂x ' si A es simétrica
Victor Ruíz Díaz Econometría 01/04/2014 46
 Ejemplo

1 3 
A= 
 3 4 

x ' Ax = x12 + 4 x22 + 6 x1 x2

∂x ' Ax  2 x1 + 6 x2   x1 + 3 x2  1 3 
=  = 2  = 2  x = 2 Ax
∂x  6 x1 + 8 x2  3x1 + 4 x2  3 4 

Victor Ruíz Díaz Econometría 01/04/2014 47