Martn A.

Daz Viera

Sean 1 2 ... n > 0 los valores propios y q1 , q 2 ,..., q n los correspondientes vectores
T

propios asociados de la matriz V , donde se cumple que q i q j = ij . Las mayores varianzas

estn directamente relacionadas con los mayores valores propios i de la matriz de
covarianzas de los datos V ,
n

i =1

j =1

Z2 = Tr V = ii = j

(5.83)

por los que se escogen las primeras p componentes ordenadas de mayor a menor en orden
decreciente del por ciento de la varianza total que explican.
Entonces, aplicando la descomposicin en valores propios de la matriz de covarianzas V ,
sta se puede expresar como:
T

V AA

(5.84)

  T = I , donde Q y son las matrices de los p vectores propios y de

con A = Q y QQ
los p valores propios correspondientemente.
Entonces los coeficientes aij de la matriz A estn dados por:
aij = j qij

(5.85)

y por lo tanto la Ec.(5.82) se transforma en

p

Z i ( x ) = j qijY j ( x )

(5.86)

donde qij es la componente i del vector propio q j y j es el valor propio asociado a ste.
Las componentes se relacionan con las variables originales mediante
T
Y ( x ) = Q Z ( x )
o puede escribirse escalado con varianza unitaria
1 T
1 n
Yj ( x ) =
q j Z ( x) =
qij Zi ( x );
j
j i =1

j = 1,.., p

(5.87)

(5.88)

Lo cual se verifica si suponemos que Y ( x ) = BZ ( x ) , donde B es una matriz p n que

T

cumple que B B = I , entonces

YY = BZY = BZ ( BZ ) = BZ Z B
T

aplicando el operador valor esperado a ambos miembros se obtiene

T
T
T
E YY = BE Z Z B
D = BV B
78

(5.89)
(5.90)
(5.91)