Metodos Estadsticos III

Villa Cox/Sabando

Apuntes de Clase # 4
Fecha: II Termino-2012

1.

Distribuciones multivariantes

Los resultados de las distribuciones bivariantes se pueden extender directamente a mas de dos
variables. Para ello es conveniente utilizar matrices y vectores. El termino vector aleatorio se
aplica a un vector cuyos elementos son variables aleatorias. La funcion de densidad conjunta es
f (x), mientras que la FD es
Z x1
Z xn Z xn1

f (x)dx1 dxn1 dxn

F (x) =

N
otese que la FD es una integral en n variables. La distribucion marginal de cada una (o de varias)
de las n variables se obtiene integrado o sumando sobre las otras variables.

2.

Momentos

El valor esperado de un vector, o matriz, es el vector o matriz de valores esperados. Un vector

de medias se define como

1
E[x1 ]
2 E[x2 ]

.
.
= E[x
=
x]
=

.
.

.
.
E[xn ]
n
Definamos la matriz

(x )(x ) =

(x1 1 )(x1 1 )
(x2 2 )(x1 1 )

(xn n )(x1 1 )

(x1 1 )(x2 2 )
(x2 2 )(x2 2 )

(xn n )(x2 2 )

(x1 1 )(xn n )
(x2 2 )(xn n )

(xn n )(xn n )

El valor esperado de cada elemento de la matriz es la covarianza de las dos variables del producto.
(La covarianza de una variable consigo misma es su varianza.) Por tanto,
(x )(x )0 ]
E[(x

11
21

n1

12
22

n2

1n
2n

nn

= E[xx0 ] 0
que es la matriz de varianzas y covarianzas del vector aleatorio x. Por tanto, representaremos
la matriz de varianzas y covarianzas de un vector aleatorio en negrilla, como en
X
Var[x] =
Dividiendo ij por i j , obtenemos la matriz de correlaci
on:
A4-1

R=

2.1.

1
21

n1

12
1

n2

13
23

n3

1n
2n

Conjuntos de funciones lineales

La media y la varianza de una funcion lineal se pueden extender al caso multivariante. Para la
media,

E[a1 x1 + a2 x2 + ... + an xn ]

= E[aa0 xx]
= a1 E[x1 ] + a2 E[x] + ... + an E[xn ]
= a1 1 + a2 2 + ...an n
= a0 u

Para la varianza,
V ar[aa0 xx]

E[(aa0 x E[aa0 xx])2 ]

= E[(aa0 (x E[x])
E[x]))2 ]
= E[aa0 (x )(x )0 aa]

x] = y a0 (x ) = (x )0 aa. Como a es un vector de constantes,

ya que E[x
V ar[aa0 xx]

x
x
= a 0 E[(x
)(x
)0 ]aa
= a0 a
n X
n
X
=
ai aj ij
i=1 j=1

Como es el valor esperado de un cuadrado, sabemos que la varianza no puede ser negativa. Como
tal, la forma cuadr
atica anterior es no negativa, y la matriz simetrica tiene que se no-negativa
definida. En el conjunto de funciones lineales y = Ax el elemento iesimo de y es yi = ai xx, donde ai
es la i-esima fila de A. Por lo tanto,
E[yi ] = ai
.
Agrupando los resultados en un vector, tenemos
E[Ax] = A
A.
Para dos vectores fila ai y aj ,
Cov[aai x, aj xx] = ai aj 0 .
Como ai aj es el ij-esimo elemento de AA0 ,
Ax
Var[Ax
Ax] = AA0 .
Este ser
a no-negativa definida o positiva definida, dependiendo del rango de las columnas A.

A4-2

3.

La distribuci
on Normal Multivariante

El fundamento de la mayora de los analisis multivariantes en econometra es la distribucion

normal multivariante. Sea el vector (x1 , x2 , ..., xn )0 = x el conjunto de n variables aleatorias, su
vector de medias, y su matriz de varianzas y covarianzas. La forma general de la funcion de
densidad conjunta es
1/2 (1/2)(x)0 1 (x)

f (x) = (2)n/2 ||

Si R es la matriz de correlaci
on de las variables y Rij = ij /(i j ),
0

f (x) = (2)n/2 (1 2 n )1 |R|1/2 e(1/2) R

donde i = (xi i )i . Hay dos casos de especial interes. Si todas las variables estan intercorrelacionadas, ij = 0 para i 6= j. Por tanto, R = I, y la funcion de densidad es
f (x)

(2)n/2 (1 2 n )1/2 e /2

n
Y
f (x1 )f (x2 ) f (xn ) =
f (xi ).

=
=

i=1

Como en el caso bivariante, si las variables normalmente distribuidas no estan correlacionadas,

son independientes. Si i = y = 00, entonces xi N [0, 2 ] y i = xi /, y la funcion de densidad
es
0

f (x) = (2)n/2 ( 2 )n/2 ex x/(2

Finalmente, si = 1,
0

f (x) = (2)n/2 ex x/2

Esta es la normal multivariante estandarizada o distribuci
on normal esf
erica.

3.1.

Funciones lineales de vectores normales

Cualquier funci
on lineal de un vector de variables distribuidas conjuntamente como una normal,
se distribuye tambien normalmente. El vector de medias y la matriz de varianzas y covarianzas de
Ax, donde x est
a normalmente distribuida, sigue el patron general dado anteriormente. Por tanto,
[, ]
+ b, A
A0 ]
Six N[,
], Ax + b N [A
A0 es singular, y la funcion de densidad no existe. Aun as, los
Si A no tiene rango completo A
elementos individuales de Ax + b seguiran estando normalmente distribuidos, y la distribuci
on
conjunta del vector completo seguir
a siendo una normal multivariante.

3.2.

Formas cuadr
aticas en un vector normal estandarizado

El an
alisis previo de la distribuci
on chi-cuadrada nos permite obtener la distribucion de x0 x
cuando x sigue una distribuci
on normal estandarizada. Se sigue que
x0 x =

n
X

x2i =

i=1

n
X
(xi x
)2 + n
x2
i=1

Para demostrar que los dos terminos de x x siguen una distribucion chi-cuadrada o que los dos
terminos son independientes, es necesario derivar las distribuciones de formas cuadr
aticas idempotentes y mostrar cu
ando son independientes.

x, que puede mostrarse

Comenzamos notando que el segundo termino es el cuadrado de n
f
acilmente que se distribuye como una normal estandarizada. Por tanto, el segundo termino es el
cuadrado de una variable normal estandarizada, y sigue una distribucion chi-cuadrado con un grado
de libertad. Pero el primer termino es la suma de n variables dependientes, y queda por demostrar
que los dos terminos son independientes.
A4-3

0, 11] y C es una matriz cuadrada

Definici
on 3.2.1 Formas cuadr
aticas ortogonales Si x N [0,
0, 11].
tal que C0 C=I, entonces C0 x N [0,
Considere, entonces, una forma cuadratica en un vector normal estandarizado x
q = x0 Ax
Si reordenamos las races caractersticas y vectores de A, en una matriz diagonal y en una matriz
ortogonal C. Entonces
q = x0 CC0 x
Por definici
on, C satisface el requisito de que C0 C = I. Por tanto, el vector y = C0 x sigue una
distribuci
on normal estandarizada. Consecuentemente,
q

y0 y
n
X
i y2i

=
=

i=1

Si i es siempre 1 o 0,
q=

J
X

yi2 ,

j=1

que sigue una distribuci

on chi-cuadrado. La suma se efect
ua sobre los j=1,...,J elementos asociados con las races que son iguales a 1. Una matriz cuyas races caractersticas son todas 0 o 1 es
idempotente. Por tanto, hemos probado el siguiente teorema.
Teorema 3.2.1 Distribuci
on de una forma cuadr
atica idempotente en un vector normal
0, 11] y A es idempotente, entonces x0 Ax se distribuye como una chiestandarizado. Si x N [0,
cuadrada con grados de libertad igual al n
umero de races unitarias A.
El rango de una matriz es igual al n
umero de sus races caractersticas distintas de cero. Por
tanto, el n
umero de grados de libertad en la distribucion chi-cuadrado anterior es igual a J, que es
el rango de A.
Podemos aplicar este resultado a la suma de cuadrados anterior. El primer termino es
n
X

(xi x
)2 = x0 M x,

i=1

donde M se ha definido como la matriz que transforma los datos en forma de desviaciones sobre su
media


1
M = I ii0 .
n
Como M es idempotente, la suma de desviaciones al cuadrado de la media se distribuye como
una chi-cuadrado. Los grados de libertad son igual al rango M , dado que el rango de una matriz
idempotente es igual a su traza.
Cada elemento diagonal de M es 1 1(1/n) por tanto, la traza es n[1 (1/n)] = n 1. Por
consiguiente tenemos una aplicaci
on del teorema 3.2.1.
n
X
2
2
0, II],
Si x N [0,
(xi x
) [n 1]. El segundo termino se distribuye como una chi-cuadrado
i=1

con un grado de libertad. Es aleccionador poner esto, tambien, como una forma cuadratica:
n
x2


1 0
ii x
n

x0

x0 [jj0 ]x,

A4-4

donde

j=


1
i
n

La matriz entre parentesis es el producto exterior de un vector no-cero, que siempre tiene rango uno.
Se puede comprobar que es idempotente multiplicandola por s mismo. Por tanto, x0 x es la suma de
dos variables chi-cuadrado, una con n 1 grados de libertad y la otra con uno. Necesitamos, ahora,
mostrar que los dos terminos son independientes. Para ello utilizaremos el siguiente teorema.
0, II] y x0 Ax
Teorema 3.2.2 Independencia de formas cuadr
aticas indempotentes Si x N [0,
0
0
0
y x Bx son dos formas cuadr
aticas idempotentes en x, entonces x Ax y x Bx son independientes
si AB=0.
Como tanto A como B son simetricas e idempotentes, A = A0 A y B = B0 B. Las formas
cuadr
aticas son, por tanto,
x0 Ax = x0 A0 Ax = x01 x1 ,

donde

x1 = Ax

x0 Bx = x02 x2 ,

donde x2 = Bx

Ambos vectores tienen vectores de media cero, por tanto la matriz de varianzas y covariazas de x1
y x2 es
E(x1 x02 ) = AIB0 = AB = 0
Como Ax y Bx son funciones lineales de un vector aleatorio normalmente distribuido, estas estan,
a su vez, normalmente distribuidas. Como su matriz de varianzas y covarianzas es cero, implica que
son estadsticamente independientes. Esto establece la independencia de las dos formas cuadraticas.
Para el caso de x0 x, las dos matrices son M y [I M ]. Se puede comprobar que M [I-M ] = 0
simplemente multiplic
andolas.

4.

Races y vectores caractersticos

Un conjunto u
til de resultados para analizar una matriz A surge de las soluciones al conjunto de
ecuaciones
Ac = c.
Las soluciones son los vectores caractersticos c y las races caractersticas . Si c es cualquier
vector soluci
on, kc tambien lo ser
a para cualquier valor de k. Para eliminar la indeterminacion, se
normaliza c, de modo que
c0 c = 1.
La soluci
on, entonces, consiste en y las n 1 incognitas de c.

4.1.

La ecuaci
on caracterstica

Resolviendo la ecuaci
on 4 se puede proceder, en principio, de la siguiente forma: En primer lugar,
implica que
Ac = Ic
o que
(A I)c = 0

Este
es un sistema homogeneo que tiene una solucion no nula, solo si la matriz (A I) es singular,
o si tiene un determinante cero. De esta forma, si es una solucion,
|A I| = 0.
Este polinomio en es la ecuaci
on caracterstica de A. Por ejemplo, si

A4-5


A=

5
2

1
4


,

entonces

|A I| =


 5

 2


1 
4 

(5 )(4 ) 2(1)

2 9 + 18.

Las dos soluciones que se obtiene son = 6 y = 3.

Al resolver la ecuaci
on caracterstica, no esta garantizado que las races caractersticas sean
reales. En el ejemplo anterior, si en lugar de tener un 2 en la esquina derecha inferior de la matriz
tuvieramos el valor -2, obtendramos como solucion dos valores complejos. El mismo problema puede
surgir en el caso general n n. Sin embargo, las races caractersticas de una matriz simetrica son
reales. Este resultado ser
a conveniente, porque la mayora de nuestras aplicaciones requieren las
races caractersticas y vectores de matrices simetricas.
Para una matriz n n, la ecuaci
on caracterstica es un polinomio de nesimo orden en . Sus
soluciones pueden ser n valores distintos, como ocurrira en el ejemplo anterior, o pueden contener
valores repetidos de , como en,


 2
0 

= (2 )2 1 2 = 2,
 0
2 
y pueden, tambien, contener ceros, como en


 1
2 

= 2 5 = 0
 2
4 

4.2.

1 = 5 y

2 = 0.

Vectores caractersticos

Con dado, los vectores caractersticos se derivan el problema original

Ac = c
o
(A I)c = 0.
Para el primer ejemplo, tenemos

5
2

1
4



c1
c2


=

0
0

Los dos valores asociados a son 6 y 3. Introduciendo estos valores en la ecuacion anterior, obtenemos
lo siguiente:
Para = 6, c1 + c2 = 0 y 2c1 + c2 = 0 o c1 = c2 .
Para = 3, 2c1 + c2 = 0 y 2c1 + c2 = 0 o c1 = 1/2c2 .
En ning
un caso se pueden determinar los valores c1 y c2 . Pero esto era de esperar: esta fue la
raz
on por la que se ha especificado al principio c0 c = 1. As, por ejemplo, si = 6, cualquier vector c
con iguales elementos que la satisfar
a. La ecuacion adicional c0 c = 1, permite obtener, sin embargo,
soluciones completas para ambos vectores.
 
1/2
Para = 6, c =
1/ 2
A4-6


Para

= 3, c =


1/ 5
2/ 5

Estos
son los u
nicos vectores que satisfacen c0 c = 1.

4.3.

Resultados generales para races y vectores caractersticos

Una matriz simetrica K K tiene K vectores caractersticos diferentes, c1 , c2 ck . Las races

caractersticas correspondientes, 1 , 2 , k , aunque reales, no tienen por que ser distintas. Los
vectores caractersticos de una matriz simetrica son ortogonales. Esto implica que para cada i 6= j,
c0i cj = 0. Es conveniente agrupar K vectores caractersticos en una matriz K K cuya i-esima
columna es el ci correspondiente a i ,
C = [c1

c2 ck ],

y las K races caractersticas en el mismo orden, en una matriz diagonal,

1 0 0 0
0 2 0 0

0
0 0 0 k
Entonces, el conjunto total de ecuaciones
Aci = i ci
est
a contenido en
AC = C.
Dado que los vectores son ortogonales y c0i ci
0
c1 c1
c02 c1

C0 C =

c0K c1

= 1, entonces
c01 c2
c02 c2

c0K c2

c01 cK
c02 cK

=I

0
cK cK

Este resultado implica que

C0 = C1
Consecuentemente,
CC0 = CC1 = I

4.4.

Diagonalizaci
on y descomposici
on espectral de una matriz

Si a esta ecuaci
on AC = C se multiplica por C0 y usando la matriz C0 C, podemos extraer las
races caractersticas de A.
Definici
on 4.4.1 Diagonalizaci
on de una matriz. La diagonalizaci
on de una matriz A es
=
C0 AC = C0 CA = I
Definici
on 4.4.2 Descomposici
on espectral de una matriz. La descomposici
on espectral
de una matriz A es
K
X
k ck c0k .
A = CC0 =
k=1

A4-7

En esta representaci
on, la matriz A K K se escribe como una suma de K matrices de rango
uno. Llamamos a esto, descomposici
on de A en autovalores o vectores propios. En este contexto, el
termino signatura de la matriz se emplea a veces para describir las races caractersticas y vectores.
Otros terminos empleados para las partes de esta descomposicion son races latentes y vectores
latentes de A.

4.5.

Rango de una matriz

Teorema 4.5.1 Rango de una matriz sim

etrica El rango de una matriz simetrica es el n
umero
de races caractersticas distintas de cero que contiene.
Si cualquiera de las races caractersticas es cero, el n
umero de matrices de rango uno en la suma
se reduce correspondientemente. Podra parecer que esta regla simple no sera u
til si A no fuera
cuadrada. Sin embargo, puesto que
rango(A) = rango(A0 A)
Dado que A0 A es siempre cuadrada, podemos usarla en lugar de A. De hecho, podemos usarla
incluso si A es cuadrada, lo cu
al proporciona un resultado general.
Teorema 4.5.2 Rango de una matriz El rango de cualquier matriz A es igual al n
umero de
races caractersticas distintas de cero en A0 A.
Este resultado es u
til porque proporciona un metodo simple de obtener el rango de una matriz
no simetrica. En cuanto al c
omputo, obtener las races caractersticas de matrices no simetricas es
bastante difcil, y requiere el uso de aritmetica compleja. Pero las matrices simetricas son mucho
m
as simples de analizar, debido a que sus races son reales.
Teorema 4.5.3 Races de un producto externo de matrices Las races caractersticas no nulas
de AA0 son las mismas que las de A0 A.
Si una raz caracterstica de una matriz es cero, entonces Ac = 0. Por tanto, si la matriz tiene una
raz cero, debe ser singular. De otro modo no existira ning
un c distinto de cero. En general, una
matriz es singular, es decir, no tiene rango completo, si y solo si tiene al menos una raz nula.

4.6.

Traza de una matriz

La traza de una matriz cuadrada K K es al suma de los elementos de la diagonal:

tr(A) =

K
X

aii

i=1

Algunos resultados f
aciles de comprobar son

tr(cA)

c(tr(A)),

tr(A )

tr(A),

tr(A+B)

tr(A) + tr(B),

tr(Ik )

Un resultado particularmente u
til es la traza del producto de matrices:
tr(AB) = tr(BA)
As mismo dos aplicaciones u
tiles son:
a0 a = tr(a0 a) = tr(aa0 )
y

A4-8

K
X

tr(A0 A) =

a0i ai =

i=1

K X
K
X

a2ij .

i=1 j=1

La regla de permutaci
on puede extenderse a cualquier permutacion cclica en un producto:
tr(ABCD) = tr(BCDA) = tr(CDAB) = tr(DABC)
Por lo que obtenemos
tr(C0 AC)

=
=

tr(ACC0 ) = tr(AI)
)
tr(A) = tr(

Dado que es diagonal, y contiene las races de A en su diagonal, el resultado general es el siguiente.
Teorema 4.6.1 Traza de una matriz La traza de una matriz es igual a la suma de sus races
caractersticas.

4.7.

Determinante de una matriz

El siguiente resultado es de gran utilidad, especialmente dado lo tedioso que resultaban los
c
alculos del determinante de una matriz. Dado que
C0 AC =
0

|C AC| =

,
||.

A partir de algunos resultados anteriores obtenemos, para la matriz ortogonal C,

|C0 AC| =

|C0 | |A| |C| = |C0 | |C| |A| = |C0 C| |A|

|I| |A| = 1 |A|

|A|

||.

Dado que || es el producto de los elementos de su diagonal, esto implica lo siguiente:

Teorema 4.7.1 Determinante de una matriz El determinante de una matriz es igual al producto
de sus races caractersticas.
N
otese que obtenemos el resultado esperado si cualquiera de estas races es cero. Como el determinante es el producto de las races, una matriz es singular, si y solo si su determinante es cero y,
por consiguiente, si y s
olo si tiene al menos una raz caracterstica igual a cero.

4.8.

Potencias de una matriz

Con frecuencia usamos expresiones que contienen potencia de matrices, como AA = A2 . Para
potencias de enteros positivos, estas expresiones pueden calcularse mediante la repeticion de multiplicaciones Pero esto no muestra c
omo afrontar un problema tal como encontrar un B tal que B2 = A,
es decir, la raz cuadrada de una matriz. Las races caractersticas y los vectores proporcionan una
soluci
on simple.
Considerese primero
AA

A2

(CC0 )(CC0 )

= CC0 CC0
= CIC0
= CC0
= C2 C0
A4-9

A continuaci
on presentamos dos resultados. Puesto que 2 es una matriz diagonal cuyos elementos
distintos de cero son los cuadrados de los elementos de , esto implica lo siguiente.
Para cualquier matriz simetrica, las races caractersticas de A2 son los cuadrados de las de A,
y los vectores caractersticos son los mismos.
La prueba se obtiene al observar que C2 C0 es la descomposicion de la matriz B=AA. Como
3
A = AA2 etc., se generaliza a cualquier entero positivo. Por convencion, para cualquier A, A = I.
Por tanto, para cualquier matriz simetrica A, AK = CK C0 , K = 0, 1... As, las races caractersticas
de AK son K , mientras que los vectores caractersticos son los mismos que los de A. Si A es no
singular, de forma que todas sus races i son distintas de cero, lo anterior puede generalizarse,
tambien, a potencias negativas.
Si A1 existe, entonces,
A1

(CC0 )1

(C0 )1 1 C1

= C1 C0 ,

donde hemos usado el resultado anterior, C0 = C1 . Esto constituye un resultado importante que
resulta u
til en el tratamiento de matrices inversas.
Teorema 4.8.1 Races caractersticas de una matriz inversa Si A1 existe, las races caractersticas de A1 son los recprocos de las de A, y los vectores caractersticos son los mismos.
Generalizando la noci
on del producto repetido, obtenemos un resultado mas general.
Teorema 4.8.2 Races caractersticas de la potencia de una matriz Para cualquier matriz
simetrica no singular A = CC0 , AK = CK C0 , K = ..., 2, 1, 0, 1, 2, ...
Nos planteamos, ahora, el problema general de como calcular la raz cuadrada de una matriz.
En el caso escalar, sabemos que el valor sera no negativo. La condicion analoga nos conduce a
una matriz en la que todas sus races caractersticas sean no negativas. Considerese, entonces, el
candidato
A1/2

1/2 0
C
C
1

0
2

.
.

0
0

0
C .

Esto satisface el requisito para una raz cuadrada, ya que

A1/2 A1/2

= C1/2 C0 C1/2 C0 = CC0

= A.

Si continuamos en esta lnea, podemos definir las potencias de una matriz de forma mas general,
suponiendo que todas las races caractersticas son no negativas. Por ejemplo, A1/3 = C1/3 C0 . Si
todas las races son estrictamente positivas, podemos avanzar un paso mas, y extender el resultado
a cualquier potencia real.
Teorema 4.8.3 Potencias reales de una matriz definida positiva. Para una matriz definida
positiva A, Ar = Cr C0 , para cualquier n
umero real, r.
La races caractersticas de Ar son las r-esima potencia de las de A, y los vectores caractersticos
son los mismos. Si A es s
olo definida no negativa (es decir, tiene races que son o cero o positiva)
se cumple s
olo para r no negativos.
A4-10

4.9.

Matrices idempotentes

Las matrices idempotentes son iguales a sus cuadrados. En primer lugar implica que si es una
raz caracterstica de una matriz idempotente, = K para todos los enteros no negativos K. Si A
es una matriz simetrica idempotente, todas sus races son 1 o 0. Supongamos que todas las races
de A son 1. Entonces, = I, y A = CC0 = CIC0 = CC0 = I. Si las races no valen todas 1, al
menos una valdr
a 0. Consecuentemente, tenemos los siguientes resultados para matrices simetricas
idempotentes.
La u
nica matriz simetrica idempotente de rango completo es la matriz identidad I.
Todas las matrices simetricas idempotentes, excepto la matriz identidad, son singulares.
El resultado final de las matrices idempotentes se obtiene observando que el n
umero de races
distintas de cero de A es tambien igual a su suma. Por lo que se puede asegurar que para una
matriz idempotente las races son todas 0 o 1, obtenemos este resultado:
El rango de una matriz idempotente simetrica es igual a su traza.

5.

Formas cuadr
aticas y matrices definidas
Muchos problemas de optimizaci
on contienen doble sumatorias de la forma
q=

n X
n
X

xi xj aij .

i=1 j=1

Esta forma cuadr

atica puede escribirse como
q = x0 Ax,
donde A es una matriz simetrica. En general, dependiendo de A y de x, q puede ser positiva, negativa
o cero. Existen algunas matrices, sin embargo, para las cuales q sera positivo, independientemente
de x, y otras para las cu
ales q ser
a siempre negativo (o no negativo o positivo). Para una matriz A
dada,
1. Si x0 Ax > (<)0 para toda x distinta de cero, entonces A es definida positiva (negativa).
2. Si x0 Ax > (6)0 para toda x distinta de cero, entonces A es definida no negativa o semidefinida positiva (definida no positiva).
A primera vista podra parecer imposible determinar a que grupo pertenece una matriz dada
seg
un el criterio anterior, ya que x puede elegirse arbitrariamente. Pero a partir de resultados ya
vistos podremos hacerlo. Recuerdese que una matriz simetrica puede descomponerse de la forma
A = CC0 .
Por lo tanto, la forma cuadr
atica puede escribirse como,
x0 Ax = x0 CC0 x.
Sea y = C0 x. Entonces,
x0 Ax

= y0 y
n
X
=
i yi2 .
i=1

Si i es positivo para todo i, entonces independientemente de y (es decir, independientemente

de x), q ser
a positivo. Este
era el caso identificado anteriormente como matriz definida positiva.
Continuando en esta lnea de razonamiento, obtenemos el siguiente teorema.
A4-11

Teorema 5.0.1 Matrices definidas Sea A una matriz simetrica. Si todas las races caractersticas
de A son positivas (negativas), entonces A es definida positiva (definida negativa). Si algunas
de las races son cero, entonces A es definida no negativa (no positiva) si las restantes son
positivas (negativas). Si A tiene races tanto negativas como positivas, entonces A es indefinida.
Los resultados anteriores nos permiten probar en cada caso las condiciones suficientes del teorema.
Para probar las condiciones necesarias, supongamos que la condicion sobre las races no se cumple.
Esto nos lleva a una contradicci
on. Por ejemplo, si alg
un puede ser negativo, entonces y0 y podra
ser negativo para alg
un y, as que A no puede ser definida positiva.

5.1.

Matrices definidas no negativas

Un caso de particular interes es el de las matrices definidas no negativas. Del teorema anterior
se obtienen varios resultados relacionados con estas matrices.
1. Si A es definida no negativa, entonces |A| > 0.
Prueba: El determinante es el producto de las races, las cuales son positivas.
Lo contrario, sin embargo, no es cierto. Por ejemplo, una matriz 2 2 con dos races negativas
es claramente no definida positiva, sin embargo, tiene un determinante positivo.
2. Si A es definida positiva, tambien lo es A1 .
Prueba: Las races son los recprocos de A, los cuales son, por tanto, positivos.
3. La matriz identidad I es definida positiva.
Prueba: x0 Ix = x0 x > 0 si x 6= 0.
Un resultado muy importante para el analisis de regresion es el siguiente
4. Si A es n K con rango completo y n > K, entonces A0 A es definida positiva y A0 A es
definida no negativa.
0
0 0
Prueba: Se supone que
X Ax 6= 00. Por tanto x A Ax = (Ax )
2
0
textbf (Ax) = y y =
yi > 0
i

De manera similar puede probarse que A0 A es definida no negativa. La diferencia en el u

ltimo
caso es que, como A tiene m
as filas que columnas, existe un x tal que A0 x = 0. Por tanto,
y0 y > 0.El caso en el que A no tiene rango columna completo es el mismo que el de AA0
5. Si A es definida positiva y B es una matriz no singular, entonces B0 AB es definida positiva.
Prueba: x0 B0 ABx = y0 Ay > 0, donde y=Bx. Pero y no puede ser 0 porque B es no singular.
Finalmente, n
otese que para que A sea definida negativa, todas las races caractersticas de A
deben ser negativas. Pero, en este caso, |A| es positiva si A es orden par, y negativa si A es de orden
impar.

5.2.

Formas cuadr
aticas idempotentes

Las formas cuadr

aticas en matrices idempotentes juegan un papel muy importante en las distribuciones de muchos contrastes estadsticos. As, encontraremos muchas de ellas con frecuencia.
1. Toda matriz simetrica idempotente es definida no negativa.
Prueba: Todas las races son 1
o 0; por tanto, la matriz es definida no negativa por definicion.
Combinando las propiedades anteriores con algunos resultados ya vistos, obtenemos un resultado empleado en la determinacion de la distribucion muestral de la mayora de los contrastes
estadsticos est
andar.
2. Si A es simetrica e idempotente, n n con ranjo J, entonces toda forma cuadatica de A puede
J
X
escribirse como x0 Ax =
yi2 .
i=1

A4-12

6.

Distribuci
on F

La familia de distribuciones normales (chi-cuadrado, F, y t) pueden derivarse como funciones de

formas cuadr
aticas idempotentes en un vector normal estandarizado. La distribucion F es el ratio de
dos variables independientes chi-cuadrado, cada una dividida por sus grados de libertad respectivos.
Sean A y B dos matrices idempotentes con rangos ra y rb y sea AB = 0. Entonces
x0 Ax/ra
F [ra , rb ].
x0 Bx/rb
Si, en vez de esto, Var[x]= 2 I, la expresion se modifica como
(x0 Ax/ 2 )/ra
F [ra , rb ].
(x0 Bx/ 2 )/rb

7.

Una forma cuadr

atico de rango completo
Finalmente, considerese el caso general,
,
x N [,
].

Estamos interesados en la distribuci

on de
x
x
q = (x
)0 1 (x
)
y es la matriz de varianza y covarianzas
En primer lugar, el vector puede escribirse como z=x
de z as como de x. Por tanto buscamos la distribucion de
q = z0 1 z = z0 (V ar[z])1 z,
donde z se distribuye normalmente con media 0. Esto es una forma cuadratica pero no necesariamente en una matriz idempotente. Como es definida postiva, tiene una raz cuadrada. Definimos
la matriz simetrica 1/2 de tal manera que 1/2 1/2 =
. Entonces,
1 = 1/2 1/2
y
z01 z

= z01/2 1/2 z
1/2 z)0 (
1/2 z)
= (
= w0 w

Ahora w=Az, de modo que,

E(w) = AE[z] = 0
y
A0 = 1/2 1/2 = 0 = I
V ar[w] = A
Esto ofrece un resultado importante.
u,
Teorema 7.0.1 Distribuci
on de un vector normal estandarizado. Si x N [u,
], entonces
0, II].
1/2 (x ) N [0,
El caso especial m
as simple es aquel en que x solo tiene una variable, de tal manera que la
transformaci
on es solamente (x )/. Combinando esto con el caso concerniente a la suma de
cuadrado de normales estandarizados, tenemos el siguiente teorema.
u,
Teorema 7.0.2 Distribuci
on de x01 x0 cuando x es una normal est
andar. Si x N [u,
],
0 1
entonces (x ) (x ) 2 [n].

A4-13

7.1.

Independencia de una forma lineal y una cuadr

atica

La distribuci
on t se utiliza en muchos contrastes de hipotesis. En muchas situaciones aparece
como el cociente de una forma lineal sobre una cuadratica, en un vector normal. Para establecer la
distribuci
on de estos estadsticos, utilizamos el siguiente resultado
Teorema 7.1.1 Independencia de una forma lineal y una cuadr
atica Una funcion lineal Lx
y una forma cuadr
atica idempotente x0 Ax en un vector normal estandarizado son estadsticamente
independientes si LA=0
La prueba sigue la misma l
ogica que la dos formas cuadraticas. Escribimos x0 Ax como x0 A0 Ax =
(Ax)0 (Ax). La matriz de varianzas y covarianzas de las variables Lx y Ax es LA=0, que establece
la independencia de estos dos vectores aleatorios. La independencia de la funcion lineal y de la forma
cuadr
atica es una consecuencia inmediata, ya que las funciones de vectores aleatorios independientes
son tambien independientes.
La distribuci
on t se define como el cociente entre una variable normal estandarizada y la raz cuadrada
de una variable chi-cuadrada dividida por sus grados de libertad, siendo ambas independientes:
t[J] =

N [0, 1]
(2 [J]/J)1/2

Un caso particular es

t[n 1]

n
x
1/2
n
X
2
1
(x

)
i
n1

i1

n
x
,
s

donde s es la desviaci
on tpica de los valores de x. La distribucion de las dos variables en t[n 1]
ya se obtuvo anteriormente; s
olo necesitamos mostrar que son independientes. Pero

1
n
x = i 0 x = j0 x
n

y
x0 M x
n1

Basta con mostrar que M j=0, lo que sigue de

s2 =

M i = [I i(i0 i)1 i0 ]i = i (i0 i)1 (i0 i) = 0

A4-14