Repaso de Conceptos Básicos

Teorı́a y Práctica

MSc. Christian Amao Suxo

Universidad Nacional de Ingenierı́a

Escuela Profesional de Ingenierı́a Estadı́stica

Marzo, 2018

1 / 79
Temario
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

2 / 79
 Álgebra Matricial Matrices

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

3 / 79
 Álgebra Matricial Matrices

¿Qué es una matriz?

Definición de Matriz
Una matriz es un arreglo bidimensional de números reales o complejos. Se
simboliza mediante letras mayúsculas A, B, C . . . ; y se representa como:
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
Am×n = (aij )m×n =  .
 
. .. . . .. 
 . . . . 
am1 am2 . . . amn

Observaciones:
Si m = n entonces A es una matriz cuadrada.
Si m = n = 1 entonces A es un escalar.
Si n = 1 entonces A es un vector.

4 / 79
 Álgebra Matricial Matrices

¿Qué es una matriz?

Definición de Matriz
Una matriz es un arreglo bidimensional de números reales o complejos. Se
simboliza mediante letras mayúsculas A, B, C . . . ; y se representa como:
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
Am×n = (aij )m×n =  .
 
. .. . . .. 
 . . . . 
am1 am2 . . . amn

Observaciones:
Si m = n entonces A es una matriz cuadrada.
Si m = n = 1 entonces A es un escalar.
Si n = 1 entonces A es un vector.

5 / 79
 Álgebra Matricial Matrices

¿Qué tipo de matrices existen?

Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son ceros, i.e. Dn = (aij ) tal que aij = 0 si i 6= j
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo
se simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n

6 / 79
 Álgebra Matricial Matrices

¿Qué tipo de matrices existen?

Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son 0, i.e. Dn = (aij ) tal que aij = 0 si i 6= j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo
se simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n

7 / 79
 Álgebra Matricial Matrices

¿Qué tipo de matrices existen?

Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son 0, i.e. Dn = (aij ) tal que aij = 0 si i 6= j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo
se simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n

8 / 79
 Álgebra Matricial Matrices

¿Qué tipo de matrices existen?

Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son 0, i.e. Dn = (aij ) tal que aij = 0 si i 6= j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo
se simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n

9 / 79
 Álgebra Matricial Matrices

¿Qué tipo de matrices existen?

Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son 0, i.e. Dn = (aij ) tal que aij = 0 si i 6= j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo
se simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n

10 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

11 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij )
matrices del mismo orden, entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n Py n×q
respectivamente, entonces Cm×q = AB = (cij )/cij = nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A0 = (aji )n×m
Traza: Si A esP
una matriz cuadrada de orden n, su traza se define
como tr(A) = ni=1 aii

12 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij )
matrices del mismo orden, entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n Py n×q
respectivamente, entonces Cm×q = AB = (cij )/cij = nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A0 = (aji )n×m
Traza: Si A esP
una matriz cuadrada de orden n, su traza se define
como tr(A) = ni=1 aii

13 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij )
matrices del mismo orden, entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n Py n×q
respectivamente, entonces Cm×q = AB = (cij )/cij = nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A0 = (aji )n×m
Traza: Si A esP
una matriz cuadrada de orden n, su traza se define
como tr(A) = ni=1 aii

14 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij )
matrices del mismo orden, entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n Py n×q
respectivamente, entonces Cm×q = AB = (cij )/cij = nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A0 = (aji )n×m
Traza: Si A esP
una matriz cuadrada de orden n, su traza se define
como tr(A) = ni=1 aii

15 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij )
matrices del mismo orden, entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n Py n×q
respectivamente, entonces Cm×q = AB = (cij )/cij = nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A0 = (aji )n×m
Traza: Si A esP
una matriz cuadrada de orden n, su traza se define
como tr(A) = ni=1 aii

16 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij )
matrices del mismo orden, entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n Py n×q
respectivamente, entonces Cm×q = AB = (cij )/cij = nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A0 = (aji )n×m
Traza: Si A esP
una matriz cuadrada de orden n, su traza se define
como tr(A) = ni=1 aii

Observación: No todas las matrices cuadradas poseen inversa!

17 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Existen algunas operaciones especiales en matrices?

Rango de una matriz

Sea Am×n una matriz. El rango se define como el número de columnas o
filas linealmente independientes. Se simboliza mediante ran(A) y tiene las
siguientes propiedades:
El número de filas l. i. es igual al número de columnas l.i.
ran(A) ≤ min{m, n}.
ran(A) = ran(A0 ) = ran(AA0 ) = ran(A0 A).

Observación:
Si ran(Am×n ) = min{m, n}, entonces se dice que la matriz A es de
rango completo. Si A fuese una matriz cuadrada de orden n,
entonces A es de rango completo si y solo si ran(A) = n.

18 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Existen algunas operaciones especiales en matrices?

Rango de una matriz

Sea Am×n una matriz. El rango se define como el número de columnas o
filas linealmente independientes. Se simboliza mediante ran(A) y tiene las
siguientes propiedades:
El número de filas l. i. es igual al número de columnas l.i.
ran(A) ≤ min{m, n}.
ran(A) = ran(A0 ) = ran(AA0 ) = ran(A0 A).

Observación:
Si ran(Am×n ) = min{m, n}, entonces se dice que la matriz A es de
rango completo. Si A fuese una matriz cuadrada de orden n,
entonces A es de rango completo si y solo si ran(A) = n.

19 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Existen algunas operaciones especiales en matrices?

Determinante de una matriz

Sea A = (aij )n×n una matriz cuadrada. El operador P determinante es una
función det : Rn×n → R definida como det(A) = nj=1 aij Aij donde i es
un valor fijo entre 1 y n y Aij es el cofactor correspondiente al elemento
aij . Este operador presenta las siguientes propiedades:
Si A es una
Qnmatriz diagonal, triangular superior o inferior; entonces
det(A) = i=1 aii .
det(A) = det(A0 ).
Dadas An×n y Bn×n , entonces det(AB) = det(A)det(B).
Sea c ∈ R, entonces det(cA) = cn det(A).
Si det(A) 6= 0, entonces det(A−1 ) = 1
det(A) .

20 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Existen algunas operaciones especiales en matrices?

Determinante de una matriz

Sea A = (aij )n×n una matriz cuadrada. El operador P determinante es una
función det : Rn×n → R definida como det(A) = nj=1 aij Aij donde i es
un valor fijo entre 1 y n y Aij es el cofactor correspondiente al elemento
aij . Este operador presenta las siguientes propiedades:
Si A es una
Qnmatriz diagonal, triangular superior o inferior; entonces
det(A) = i=1 aii .
det(A) = det(A0 ).
Dadas An×n y Bn×n , entonces det(AB) = det(A)det(B).
Sea c ∈ R, entonces det(cA) = cn det(A).
Si det(A) 6= 0, entonces det(A−1 ) = 1
det(A) .

21 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Qué propiedades más existen?

Teoremas
An×n es inversible ⇐⇒ ran(A) = n ⇐⇒ det(A) 6= 0.
Sea Bn×n una matriz inversible, entonces ran(AB) = ran(A).
Si An×n es inversible, entonces A−1 = 1
det(A) Adj(A), donde Adj(A)
es la matriz adjunta de A.

Otras propiedades
Sean A y B dos matrices del mismo orden ⇒ (A ± B)0 = A0 ± B 0 .
Sean Am×n y Bn×q ⇒ (AB)0 = B 0 A0 .
Sea Am×n y Bn×m ⇒ tr(AB) = tr(BA).
Sean An×n y Bn×n dos matrices inversibles ⇒ (AB)−1 = B −1 A−1 .
0 0
Sea An×n una matriz inversible ⇒ (A−1 ) = (A )−1 .

22 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Qué propiedades más existen?

Teoremas
An×n es inversible ⇐⇒ ran(A) = n ⇐⇒ det(A) 6= 0.
Sea Bn×n una matriz inversible, entonces ran(AB) = ran(A).
Si An×n es inversible, entonces A−1 = 1
det(A) Adj(A), donde Adj(A)
es la matriz adjunta de A.

Otras propiedades
Sean A y B dos matrices del mismo orden ⇒ (A ± B)0 = A0 ± B 0 .
Sean Am×n y Bn×q ⇒ (AB)0 = B 0 A0 .
Sea Am×n y Bn×m ⇒ tr(AB) = tr(BA).
Sean An×n y Bn×n dos matrices inversibles ⇒ (AB)−1 = B −1 A−1 .
0 0
Sea An×n una matriz inversible ⇒ (A−1 ) = (A )−1 .

23 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cuáles son las matrices más importantes del curso?

Matrices especiales
Sea An×n una matriz cuadrada, esta se puede clasificar en:
Matriz Simétrica: Si A0 = A.
Matriz Idempotente: Si A2 = A.
Matriz Ortogonal: Si A0 A = AA0 = In .
Matriz Singular: Si det(A) = 0.

1 De las siguientes matrices: Jn , n1 Jn , In , In − n1 Jn ; ¿cuáles son

idempotentes?
2 Sea Xn×p con p < n una matriz de rango completo. ¿Es X 0 X una
matriz singular? ¿Son X 0 X y XX 0 matrices simétricas?.
3 Si A es una matriz idempotente, entonces, ¿es cierto que I − A es
siempre idempotente?
24 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cuáles son las matrices más importantes del curso?

Matrices especiales
Sea An×n una matriz cuadrada, esta es:
Matriz Simétrica: Si A0 = A.
Matriz Idempotente: Si A2 = A.
Matriz Ortogonal: Si A0 A = AA0 = In .
Matriz Singular: Si det(A) = 0.

¡Hora de ejercitarse!
1 De las siguientes matrices: Jn , n1 Jn , In , In − n1 Jn ; ¿cuáles son
idempotentes?
2 Sea Xn×p con p < n una matriz de rango completo. ¿Es X 0 X una
matriz singular? ¿Son X 0 X y XX 0 matrices simétricas?.
3 Si A es una matriz idempotente, entonces, ¿es cierto que I − A es
siempre idempotente?
25 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

26 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué es una partición de matrices?

Partición de matrices
Sea Am×n una matriz cualquiera. Una partición de la matriz A es una
división adecuada (mediante lı́neas horizontales y verticales) en matrices
de menor orden (submatrices). Por ejemplo, si se desea particionar A en 4
bloques entonces la partición serı́a:
 
A11 A12
A=
A21 A22

donde Aij es de orden mi × nj , para i, j = 1, 2 tal que m1 + m2 = m y

n1 + n2 = n.

Observación: También se pueden realizar solo cortes horizontales o solo

cortes verticales para particionar las matrices.

27 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué es una partición de matrices?

Partición de matrices
Sea Am×n una matriz cualquiera. Una partición de la matriz A es una
división adecuada (mediante lı́neas horizontales y verticales) en matrices
de menor orden (submatrices). Por ejemplo, si se desea particionar A en 4
bloques entonces la partición serı́a:
 
A11 A12
A=
A21 A22

donde Aij es de orden mi × nj , para i, j = 1, 2 tal que m1 + m2 = m y

n1 + n2 = n.

Observación: Solo se pueden realizar cortes horizontales o verticales para

particionar las matrices.

28 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Sean An×n y Bn×n matrices particionadas de la siguiente manera:
   
A11 A12 B11 B12
A= ;B =
A21 A22 B21 B22
donde Aij es de orden mi × nj y Bij es de orden ki × lj , para
i, j, k, l = 1, 2 tal que m1 + m2 = n1 + n2 = k1 + k2 = l1 + l2 = n.
Suma y Resta: Si mi = ki y nj = lj para i, j = 1, 2, entonces:
 
A11 + B11 A12 + B12
A+B =
A21 + B21 A22 + B22

Producto: Si ni = ki para i = 1, 2, entonces:

 
A11 B11 + A12 B21 A11 B12 + A12 B22
AB =
A21 B11 + A22 B21 A21 B12 + A22 B22
29 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Sean An×n y Bn×n matrices particionadas de la siguiente manera:
   
A11 A12 B11 B12
A= ;B =
A21 A22 B21 B22
donde Aij es de orden mi × nj y Bij es de orden ki × lj , para
i, j, k, l = 1, 2 tal que m1 + m2 = n1 + n2 = k1 + k2 = l1 + l2 = n.
Suma y Resta: Si mi = ki y nj = lj para i, j = 1, 2, entonces:
 
A11 ± B11 A12 ± B12
A±B =
A21 ± B21 A22 ± B22

Producto: Si ni = ki para i = 1, 2, entonces:

 
A11 B11 + A12 B21 A11 B12 + A12 B22
AB =
A21 B11 + A22 B21 A21 B12 + A22 B22
30 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Sean An×n y Bn×n matrices particionadas de la siguiente manera:
   
A11 A12 B11 B12
A= ;B =
A21 A22 B21 B22
donde Aij es de orden mi × nj y Bij es de orden ki × lj , para
i, j, k, l = 1, 2 tal que m1 + m2 = n1 + n2 = k1 + k2 = l1 + l2 = n.
Suma y Resta: Si mi = ki y nj = lj para i, j = 1, 2, entonces:
 
A11 ± B11 A12 ± B12
A±B =
A21 ± B21 A22 ± B22

Producto: Si ni = ki para i = 1, 2, entonces:

 
A11 B11 + A12 B21 A11 B12 + A12 B22
AB =
A21 B11 + A22 B21 A21 B12 + A22 B22
31 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas

Transpuesta: Sea A particionada como antes, entonces la
transpuesta de A es como sigue:
 0
A11 A021

0
A =
A012 A022

Si A fuese particionada por filas y B particionada por columnas; ¿qué

forma tendrı́a el producto AB?
Si A fuese particionada en 4 bloques (2 × 2) y los bloques de la
diagonal fuesen matrices cuadradas, ¿Qué propiedades encontrarı́a si
A fuese simétrica?
Si A fuese particionada en 4 bloques (2 × 2) donde A12 y A21 fuesen
matrices nulas, ¿qué propiedades habrı́a si A fuese idempotente?.

32 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Transpuesta: Sea A particionada como antes, entonces la
transpuesta de A es como sigue:
 0
A11 A021

0
A =
A012 A022

¡Hora de ejercitarse!
1 Si A fuese particionada por filas y B particionada por columnas; ¿qué
forma tendrı́a el producto AB?
2 Si A fuese particionada en 4 bloques (2 × 2) y los bloques de la
diagonal fuesen matrices cuadradas, ¿Qué propiedades encontrarı́a si
A fuese simétrica?
3 Si A fuese particionada en 4 bloques (2 × 2) donde A12 y A21 fuesen
matrices nulas, ¿qué propiedades habrı́a si A fuese idempotente?.
33 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Determinante: Sea A una matriz particianada como sigue:
 
A11 A12
A=
A21 A22
donde Aij es de orden ni × nj para i, j = 1, 2. Entonces la
determinante de A viene dada por:
|A| = |A11 ||A22 − A21 A−1 −1
11 A12 | = |A22 ||A11 − A12 A22 A21 |

Inversa: Sea A una matriz particionada como antes tal que A11 y
A22 son inversibles, entonces la inversa de A viene dada por:
 11
A12

−1 A
A =
A21 A22
donde A11 = (A11 − A12 A−1
22 A21 )
−1
; A22 = (A22 − A21 A−1
11 A12 )
−1
;
A12 = −A11 A12 A−1 −1 22
22 = −A11 A12 A ;
−1 −1
A = −A A21 A11 = −A22 A21 A11
21 22

34 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Determinante: Sea A una matriz particianada como sigue:
 
A11 A12
A=
A21 A22
donde Aij es de orden ni × nj para i, j = 1, 2. Si ∃A−1 −1
11 , A22 ,
entonces la determinante de A viene dada por:
|A| = |A11 ||A22 − A21 A−1 −1
11 A12 | = |A22 ||A11 − A12 A22 A21 |

Inversa: Sea A una matriz particionada como antes tal que A11 y
A22 son inversibles, entonces la inversa de A viene dada por:
 11
A12

−1 A
A =
A21 A22
donde A11 = (A11 − A12 A−1
22 A21 )
−1
; A22 = (A22 − A21 A−1
11 A12 )
−1
;
A12 = −A11 A12 A−1 −1 22
22 = −A11 A12 A ;
−1 −1
A = −A A21 A11 = −A22 A21 A11
21 22

35 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

¡Hora de ejercitarse!
1 Si A fuese particionada en 4 bloques (2 × 2) tal que A12 y A21 son
matrices nulas. Calcule la determinante e inversa de A.
2 Si A fuese particionada como antes formando bloques que formen una
matriz diagonal superior o inferior. Calcule la determinante e inversa
de A.
3 Calcule la determinante e inversa de la matriz (1 − ρ)In + ρJn para
−1 < ρ < 1
4 Calcule la determinante de la matriz P = (a − b)In + bJn . ¿Para qué
valores de a y b la matriz P es inversible? Calcule dicha inversa.
5 Sean Ψ, L dos matrices de orden n × n. Si Ψ es de rango completo y
ran(L) = k < n, pruebe la siguiente identidad usando particiones de
matrices:

(Ψ + LL0 )−1 = Ψ−1 Ψ − L(In + L0 Ψ−1 L)−1 L0 Ψ−1

 

36 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

37 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador vectorización?

Vectorización de una matriz
Sea Am×n una matriz cualquiera. La vectorización es una operación que
transforma las matrices en vectores. Si A es particionada por columnas
como A = [v1 |v2 | . . . |vn ] entonces el operador V ec se define como:
 
v1
 v2 
V ec(A) =  . 
 
.
 . 
vn

Propiedades de la vectorización
Si A y B son matrices del mismo orden
⇒ V ec(A ± B) = V ec(A ± B).
Si α ∈ R ⇒ V ec(αA) = αV ec(A).
Sean Am×n y Bn×q dos matrices. ⇒ tr(AB) = V ec(A0 )0 V ec(B)
38 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador vectorización?

Vectorización de una matriz
Sea Am×n una matriz cualquiera. La vectorización es una operación que
transforma las matrices en vectores. Si A es particionada por columnas
como A = [v1 |v2 | . . . |vn ] entonces el operador V ec(.) se define como:
 
v1
 v2 
V ec(A) =  . 
 
 .. 
vn

Propiedades de la vectorización
Si A y B son m × n matrices ⇒ V ec(A ± B) = V ec(A ± B).
Si α ∈ R ⇒ V ec(αA) = αV ec(A).
Sean Am×n y Bn×m dos matrices. ⇒ tr(AB) = V ec(A0 )0 V ec(B)
39 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Cómo se define el operador suma directa?

Operador suma directa

Sean A1 , A2 , . . . , Ak matrices de órdenes mi × ni (i = 1, . . . , k). La suma
directa deP es una matriz bloque-diagonal de orden m × n,
A1 , A2 , . . . , Ak P
con m = i=1 mi y n = ki=1 ni , definida por
k

k
M
Ai = diag(A1 , A2 , . . . , Ak ).
i=1

Propiedades de la suma directa

Si Ai y Bi son del mismo orden para i = 1, . . . , n, entonces

⊕ni=1 Ai ± ⊕ni=1 Bi = ⊕ni=1 (Ai ± Bi ).

40 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Cómo se define el operador suma directa?

Propiedades de la suma directa

Si el producto Ai Bi está bien definido para i = 1, . . . , n, entonces

[⊕ni=1 Ai ] [⊕ni=1 Bi ] = ⊕ni=1 Ai Bi .

Sean Ai matrices, entonces

0 0
[⊕ni=1 Ai ] = ⊕ni=1
PAni .
ran(⊕ni=1 Ai ) = i=1 ran(Ai ).
Si Ai son matrices cuadradas para i = 1, . . . , n, entonces
Pn
tr(⊕ni=1 Ai ) = Qi=1 tr(Ai ).
n
det(⊕ni=1 Ai ) = i=1 det(Ai ).
−1
Si det(Ai ) 6= 0, entonces [⊕ni=1 Ai ] = ⊕ni=1 A−1
i .

41 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador producto de Kronecker?

Producto de Kronecker
Sea A = (aij )m×n y Bp×q dos matrices. El producto de Kronecker entre
A y B se define como una matriz de orden mp × nq tal que:
 
a11 B a12 B . . . a1n B
 a21 B a22 B . . . a2n B 
A⊗B = .
 
.. .. .. 
 .. . . . 
am1 B am2 B . . . amn B

Propiedades del producto de Kronecker

(A ⊗ B) ⊗ C = A ⊗ (B ⊗ C).
(A × B)(C ⊗ D) = (AC ⊗ BD).
Sea α ∈ R ⇒ α(A ⊗ B) = (αA ⊗ B) = (A ⊗ αB)
(A + B) ⊗ C = (A ⊗ C) + (B ⊗ C)
42 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador producto de Kronecker?

Producto de Kronecker
Sea A = (aij )m×n y Bp×q dos matrices. El producto de Kronecker entre
A y B se define como una matriz de orden mp × nq tal que:
 
a11 B a12 B . . . a1n B
 a21 B a22 B . . . a2n B 
A⊗B = .
 
.. .. .. 
 .. . . . 
am1 B am2 B . . . amn B

Propiedades del producto de Kronecker

(A ⊗ B) ⊗ C = A ⊗ (B ⊗ C).
(A × B)(C ⊗ D) = (AC ⊗ BD).
Sea α ∈ R ⇒ α(A ⊗ B) = (αA ⊗ B) = (A ⊗ αB)
(A + B) ⊗ C = (A ⊗ C) + (B ⊗ C)
43 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador producto de Kronecker?

Propiedades del producto de Kronecker

A ⊗ (B + C) = (A ⊗ B) + (A ⊗ C).
(A ⊗ B)0 = (A0 ⊗ B 0 ).
tr(A ⊗ B) = tr(A)tr(B) y ran(A ⊗ B) = ran(A)ran(B).
Sean Am×m y Bn×n dos matrices cuadradas ⇒ |A ⊗ B| = |A|n |B|m .
Sean Am×m y Bn×n dos matrices inversibles entonces se cumple que

(A ⊗ B)−1 = A−1 ⊗ B −1

Sean An×p , Xp×q y Bq×r matrices, entonces

V ec(AXB) = (B 0 ⊗ A)V ec(X)

44 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¡Hora de ejercitarse!
1 Sea Ai una matriz simétrica para i = 1, . . . , n. Pruebe que ⊗ni=1 Ai y
⊕ni=1 Ai son matrices simétricas.
2 Pruebe lo anterior considerando la idempotencia y la ortogonalidad en
vez de la simetrı́a.
3 Pruebe que dadas las matrices cuadradas A, B y C, entonces
tr(ABC) = tr(BCA) = tr(CAB).
4 ¿Es cierto que si tr(A0 A) = 0 si y solo si A = 0? Justifique.
k Pk
L 1 1
Calcule el rango de la matriz ni Jni − n Jn donde n = i=1 ni .
5
i=1
k
 
Pk
10n 1 1
L
6 Pruebe que ni Jni − n Jn = 0 donde n = i=1 ni .
i=1
7 Sean Am×n , Xn×n y Bn×m dos matrices. Pruebe, usando particiones
de matrices, que
tr(AB) = V ec(A0 )0 V ec(B).
V ec(AXB) = (B 0 ⊗ A)V ec(X).
45 / 79
 Álgebra Lineal Autovalores y autovectores

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

46 / 79
 Álgebra Lineal Autovalores y autovectores

¿Qué son los autovalores y autovectores?

Autovalores y autovectores
Sea A una matriz cuadrada de orden n. Diremos que un escalar λ ∈ C es
un autovalor de A si existe un vector v ∈ Cn , v 6= 0 tal que Av = λv, en
cuyo caso se dice que v es un autovector de A asociado al autovalor λ.

Fig. 1: Visualización geométrica del concepto de autovalor y autovector en R2 47 / 79

 Álgebra Lineal Autovalores y autovectores

¿Cómo calcular los autovalores y autovectores?

Cálculo de autovalores y autovectores
Autovalores: Polinomio caracterı́stico → det(A − λIn ) = 0
Autovectores: Es el conjunto formado por {x ∈ Cno /Ax = λx}
Espectro de A: σ(A) = {λ ∈ C/det(A − λIn ) = 0}
Autoespacio generado por λ: V (λ) = {x ∈ Cn /Ax = λx} ∪ {0}

Calcule los autovalores y autovectores de las matrices A y B.

   
2 1 0 1
A= ;B =
1 2 −1 0

Observaciones:
λ → ∞ autovectores, pero v → λ único.
Aún si A ∈ Rn×n , los λi podrı́an ser complejos y los vi también.
48 / 79
 Álgebra Lineal Autovalores y autovectores

¿Cómo calcular los autovalores y autovectores?

Cálculo de autovalores y autovectores
Autovalores: Polinomio caracterı́stico → det(A − λIn ) = 0
Autovectores: Es el conjunto formado por {x ∈ Cno /Ax = λx}
Espectro de A: σ(A) = {λ ∈ C/det(A − λIn ) = 0}
Autoespacio generado por λ: V (λ) = {x ∈ Cn /Ax = λx} ∪ {0}

¡Hora de ejercitarse!
1 Calcule los autovalores y autovectores de las matrices A y B.
   
2 1 0 1
A= ;B =
1 2 −1 0

Observaciones:
λ → ∞ autovectores, pero v → λ único.
Aún si A ∈ Rn×n , los λi podrı́an ser complejos y los vi también.
49 / 79
 Álgebra Lineal Autovalores y autovectores

¿Cómo calcular los autovalores y autovectores?

Cálculo de autovalores y autovectores
Autovalores: Polinomio caracterı́stico → det(A − λIn ) = 0
Autovectores: Es el conjunto formado por {x ∈ Cno /Ax = λx}
Espectro de A: σ(A) = {λ ∈ C/det(A − λIn ) = 0}
Autoespacio generado por λ: V (λ) = {x ∈ Cn /Ax = λx} ∪ {0}

¡Hora de ejercitarse!
Calcule los autovalores y autovectores de las matrices A y B.
   
2 1 0 1
A= ;B =
1 2 −1 0

Observaciones:
λ → ∞ autovectores, pero v → λ único.
Aún si A ∈ Rn×n , los λi podrı́an ser complejos y los vi también.
50 / 79
 Álgebra Lineal Diagonalización de matrices

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

51 / 79
 Álgebra Lineal Diagonalización de matrices

¿En qué consiste la diagonalización de matrices?

Semejanza de matrices
Sean An×n y Bn×n dos matrices cuadradas, diremos que A y B son
semejantes si existe una matriz Pn×n inversible tal que A = P BP −1 .
Simbolizando: A ∼ B ⇐⇒ ∃P inversible /A = P BP −1 .
Propiedad:
A ∼ B ⇒ tr(A) = tr(B), ran(A) = ran(B), det(A) = det(B)

Sea An×n una matriz cuadrada, diremos que A es diagonalizable si y solo

si es semejante a una matriz diagonal.
Simbolizando: A es diagonalizable ⇐⇒ A ∼ diag(λi )i=1,2,...,n .
Propiedad: A ∼ diag(λi ) ⇒ tr(A) = ni=1 λi y det(A) = ni=1 λi y
P Q
ran(A) = Card({λi ∈ σ(A)/λi 6= 0}) contando multiplicidades .

Interrogante: ¿Todas las matrices son diagonalizables?

52 / 79
 Álgebra Lineal Diagonalización de matrices

¿En qué consiste la diagonalización de matrices?

Semejanza de matrices
Sean An×n y Bn×n dos matrices cuadradas, diremos que A y B son
semejantes si existe una matriz Pn×n inversible tal que A = P BP −1 .
Simbolizando: A ∼ B ⇐⇒ ∃P inversible /A = P BP −1 .
Propiedad:
A ∼ B ⇒ tr(A) = tr(B), ran(A) = ran(B), det(A) = det(B)

Diagonalización de matrices
Sea An×n una matriz cuadrada, diremos que A es diagonalizable si y solo
si es semejante a una matriz diagonal.
Simbolizando: A es diagonalizable ⇐⇒ A ∼ diag(λi )i=1,2,...,n .
Propiedad: A ∼ diag(λi ) ⇒ tr(A) = ni=1 λi y det(A) = ni=1 λi y
P Q
ran(A) = Card({λi ∈ σ(A)/λi 6= 0}) contando multiplicidades .

Interrogante: ¿Todas las matrices son diagonalizables? 53 / 79

 Álgebra Lineal Diagonalización de matrices

¿En qué consiste la diagonalización de matrices?

Semejanza de matrices
Sean An×n y Bn×n dos matrices cuadradas, diremos que A y B son
semejantes si existe una matriz Pn×n inversible tal que A = P BP −1 .
Simbolizando: A ∼ B ⇐⇒ ∃P inversible /A = P BP −1 .
Propiedad:
A ∼ B ⇒ tr(A) = tr(B), ran(A) = ran(B), det(A) = det(B)

Diagonalización de matrices
Sea An×n una matriz cuadrada, diremos que A es diagonalizable si y solo
si es semejante a una matriz diagonal.
Simbolizando: A es diagonalizable ⇐⇒ A ∼ diag(λi )i=1,2,...,n .
Propiedad: A ∼ diag(λi ) ⇒ tr(A) = ni=1 λi y det(A) = ni=1 λi y
P Q
ran(A) = Card({λi ∈ σ(A)/λi 6= 0}) contando multiplicidades .

Interrogante: ¿Todas las matrices son diagonalizables? 54 / 79

 Álgebra Lineal Diagonalización de matrices

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

Si A posee n autovalores distintos ⇒ A es diagonalizable.

Sea An×n una matriz simétrica, entonces se cumple que:

Todos los autovalores de A son reales.
A genera n autovectores ortogonales (y por tanto, ortonormales).

Si An×n es simétrica ⇒ A es diagonalizable!.

Si An×n es simétrica ⇒ ∃Pn×n ortogonal /A = P ΛP 0 , donde
Λ = diag(λi )i=1,2,...,n y P = [v1 |v2 | . . . |vn ] tal que Avi = λi vi .

55 / 79
 Álgebra Lineal Diagonalización de matrices

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

Corolario
Si A posee n autovalores distintos ⇒ A es diagonalizable.

Sea An×n una matriz simétrica, entonces se cumple que:

Todos los autovalores de A son reales.
A genera n autovectores ortogonales (y por tanto, ortonormales).

Si An×n es simétrica ⇒ A es diagonalizable!.

Si An×n es simétrica ⇒ ∃Pn×n ortogonal /A = P ΛP 0 , donde
Λ = diag(λi )i=1,2,...,n y P = [v1 |v2 | . . . |vn ] tal que Avi = λi vi .

56 / 79
 Álgebra Lineal Diagonalización de matrices

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

Corolario
Si A posee n autovalores distintos ⇒ A es diagonalizable.

Teorema
Sea An×n una matriz simétrica, entonces se cumple que:
Todos los autovalores de A son reales.
A genera n autovectores ortogonales (y por tanto, ortonormales).

Si An×n es simétrica ⇒ A es diagonalizable!.

Si An×n es simétrica ⇒ ∃Pn×n ortogonal /A = P ΛP 0 , donde
Λ = diag(λi )i=1,2,...,n y P = [v1 |v2 | . . . |vn ] tal que Avi = λi vi .
57 / 79
 Álgebra Lineal Diagonalización de matrices

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

Corolario
Si A posee n autovalores distintos ⇒ A es diagonalizable.

Teorema
Sea An×n una matriz simétrica, entonces se cumple que:
Todos los autovalores de A son reales.
A genera n autovectores ortogonales (y por tanto, ortonormales).

Corolario
Si An×n es simétrica ⇒ A es diagonalizable!.
Si An×n es simétrica ⇒ ∃Pn×n ortogonal /A = P ΛP 0 , donde
Λ = diag(λi )i=1,2,...,n y P = [v1 |v2 | . . . |vn ] tal que Avi = λi vi .
58 / 79
 Álgebra Lineal Diagonalización de matrices

¿Qué tanto has aprendido?

¡Hora de ejercitarse!
Si An×n es una matriz idempotente de rango r ≤ n.¿Cuáles son los
autovalores de A?
Si An×n es una matriz simétrica e idempotente de rango r ≤ n.
Pruebe que ∃Pn×r tal que A = P P 0 y P 0 P = Ir .
Si An×n es una matriz simétrica e idempotente. Pruebe que
ran(A) = tr(A).
Si Xn×p (con p ≤ n) es una matriz de rango completo, calcule el
rango de X(X 0 X)−1 X 0 y In − X(X 0 X)−1 X 0 .
Sea A = Im ⊗ In , B = Im ⊗ X(X 0 X)−1 X 0 y
C=m 1
Jm ⊗ (In − X(X 0 X)−1 X 0 ). Calcule el rango de A − B − C.

59 / 79
 Álgebra Lineal Formas cuadráticas

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

60 / 79
 Álgebra Lineal Formas cuadráticas

¿Qué es una forma cuadrática?

Formas Cuadráticas
Una forma cuadrática es una aplicación matemática que asigna a cada
elemento x ∈ Rn un número real que representa un polinomio de grado 2
en las n variables.
Simbolizando: Q(x) = Q(x1 , x2 , . . . , xn ) = ni,j=1 aij xi xj ; ∀x ∈ Rn .
P

Observaciones:
Q(x) = ni,j=1 aij xi xj = x0 Ax donde A es una matriz simétrica.
P

Si ni,j=1 aij xi xj = x0 Bx y B no fuese una matriz simétrica,

P
0
entonces A = B+B 2 es una matriz simétrica tal que x0 Bx = x0 Ax.
A partir de ahora, una forma cuadrática queda definida como x0 Ax
donde A es una matriz simétrica.

61 / 79
 Álgebra Lineal Formas cuadráticas

¿Qué es una forma cuadrática?

Formas Cuadráticas
Una forma cuadrática es una aplicación matemática que asigna a cada
elemento x ∈ Rn un número real que representa un polinomio de grado 2
en las n variables.
Simbolizando: Q(x) = Q(x1 , x2 , . . . , xn ) = ni,j=1 aij xi xj ; ∀x ∈ Rn .
P

Observaciones:
Q(x) = ni,j=1 aij xi xj = x0 Ax donde A es una matriz simétrica.
P

Si ni,j=1 aij xi xj = x0 Bx y B no fuese una matriz simétrica,

P
0
entonces A = B+B 2 es una matriz simétrica tal que x0 Bx = x0 Ax.
A partir de ahora, una forma cuadrática queda definida como x0 Ax
donde A es una matriz simétrica.

62 / 79
 Álgebra Lineal Formas cuadráticas

¿Qué tipos de formas cuadráticas existen?

Tipos de Formas Cuadráticas

Matriz Definida Positiva: Si x0 Ax > 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Positiva: Si x0 Ax ≥ 0, ∀x ∈ Rn − {0}
Matriz Definida Negativa: Si x0 Ax < 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Negativa: Si x0 Ax ≤ 0, ∀x ∈ Rn − {0}

A es definida positiva (negativa) ⇐⇒ λi > 0 (< 0), ∀λi ∈ σ(A).

A es semidefinida positiva (negativa) ⇐⇒ λi ≥ 0 (≤ 0), ∀λi ∈ σ(A).

63 / 79
 Álgebra Lineal Formas cuadráticas

¿Qué tipos de formas cuadráticas existen?

Tipos de Formas Cuadráticas

Matriz Definida Positiva: Si x0 Ax > 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Positiva: Si x0 Ax ≥ 0, ∀x ∈ Rn − {0}
Matriz Definida Negativa: Si x0 Ax < 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Negativa: Si x0 Ax ≤ 0, ∀x ∈ Rn − {0}

Teorema
A es definida positiva (negativa) ⇐⇒ λi > 0 (< 0), ∀λi ∈ σ(A).

Corolario
A es semidefinida positiva (negativa) ⇐⇒ λi ≥ 0 (≤ 0), ∀λi ∈ σ(A).

64 / 79
 Álgebra Lineal Formas cuadráticas

¿Qué tanto has aprendido?

¡Hora de ejercitarse!
1 Si An×n es una matriz definida positiva o negativa. ¿Es A un matriz
inversible?
2 Si An×n es una matriz idempotente. ¿Es A una matriz definida
positiva?
3 Si An×n es una matriz definida positiva. Pruebe que existe una
1 1 1
matriz inversible A 2 tal que A = A 2 A 2 .
4 Si An×n es una matriz definida positiva. Pruebe que existe una matriz
inversible B tal que A = BB 0 y B 0 B = Λ = diag(λi ) con λi ∈ σ(A).
5 Si An×n es una matriz semidefinida positiva de rango r < n. Pruebe
que existe una matriz de rango completo Bn×r tal que A = BB 0 y
B 0 B = Λ = diag(λi ) con λi ∈ {λi ∈ σ(A)/λi > 0}.

65 / 79
 Álgebra Lineal Derivada vectorial

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

66 / 79
 Álgebra Lineal Derivada vectorial

¿Cómo se derivan funciones vectoriales?

Derivadas de funciones vectoriales

Si x = (x1 , x2 , . . . , xn )0 y y = (y1 , y2 , . . . , ym )0 tal que yi = yi (x) para
i = 1, . . . , m. Entonces la derivada de y respecto a x se define como:
 ∂y ∂y2

∂x1
1
∂x1 . . . ∂y
∂x1
m

  ∂y1 ∂y2
dy0 . . . ∂y m

dy1 dy2 dym  ∂x2 ∂x2 ∂x2 
= | |...|  . .. .. .. 
dx dx dx dx   .. . . . 

∂y1 ∂y2 ∂ym
∂xn ∂xn . . . ∂xn

Propiedades:
d(x0 c)
Sea x ∈ Rn y cn×1 un vector de constantes, entonces dx = c.
d(x0 A)
Sea x ∈ Rn y Am×n una matriz cualquiera, entonces dx = A.
0
Sea x ∈ Rn y An×n una matriz simétrica, entonces d(xdxAx) = 2Ax.

67 / 79
 Estadı́stica Paramétrica Vectores aleatorios

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

68 / 79
 Estadı́stica Paramétrica Vectores aleatorios

¿Qué es un vector aleatorio?

Vectores aleatorios
x = (x1 , x2 , . . . , xn )0 es una vector aleatorio si y solo si cada componente
xi es una variable aleatoria.
Parámetros de un vector aleatorio:
Esperanza: Sea x un vector aleatorio de orden n, entonces
µ = E(x) = (E(x1 ), E(x2 ), . . . , E(xn ))0 .
Matriz de Dispersión: Sea x un vector aleatorio de orden n,
entonces Σ = cov(x) = E{(x − E(x))(x − E(x))0 }.

Observaciones:
Con frecuencia a µ se le denomina parámetro de centralidad de x.
Σ = (σij )n×n , donde σij = cov(xi , xj ). Es por ello que a Σ se le
conoce también como matriz de covarianzas.
Σ es una matriz simétrica y semidefinida positiva (Pruébelo!).
69 / 79
 Estadı́stica Paramétrica Vectores aleatorios

¿Qué es un vector aleatorio?

Vectores aleatorios
x = (x1 , x2 , . . . , xn )0 es una vector aleatorio si y solo si cada componente
xi es una variable aleatoria.
Parámetros de un vector aleatorio:
Esperanza: Sea x un vector aleatorio de orden n, entonces
µ = E(x) = (E(x1 ), E(x2 ), . . . , E(xn ))0 .
Matriz de Dispersión: Sea x un vector aleatorio de orden n,
entonces Σ = cov(x) = E{(x − E(x))(x − E(x))0 }.

Observaciones:
Con frecuencia a µ se le denomina parámetro de centralidad de x.
Σ = (σij )n×n , donde σij = cov(xi , xj ). Es por ello que a Σ se le
conoce también como matriz de covarianzas.
Σ es una matriz simétrica y semidefinida positiva (Pruébelo!).
70 / 79
 Estadı́stica Paramétrica Vectores aleatorios

¿Qué propiedades existen respecto a la media y varianza?

Propiedades
Sea A una matriz de orden m × n, b un vector de orden m y x un vector
aleatorio de orden n. Entonces se cumple que:
E(Ax + b) = AE(x) + b.
Cov(Ax + b) = Acov(x)A0 .
Si Bp×q es una matriz y y un vector aleatorio de orden q, entonces
Cov(Ax, By) = Acov(x, y)B 0 .

Si xi , i = 1, 2, . . . , n son variable aleatorias i.i.d. con E(xi ) = α y

var(xi ) = σ 2 ; además x = (x1 , x2 , . . . , xn )0 . Entonces calcule la
0
esperanza y varianza de 1nnx .
Sean x e y dos vectores aleatorios de orden n. Si Cov(x, y) = αIn ,
con α ∈ R. Calcule Cov(Ax, By) donde A = In − n1 Jn y B = Jn .

71 / 79
 Estadı́stica Paramétrica Vectores aleatorios

¿Qué propiedades existen respecto a la media y varianza?

Propiedades
Sea A una matriz de orden m × n, b un vector de orden m y x un vector
aleatorio de orden n. Entonces se cumple que:
E(Ax + b) = AE(x) + b.
Cov(Ax + b) = Acov(x)A0 .
Si Bp×q es una matriz y y un vector aleatorio de orden q, entonces
Cov(Ax, By) = Acov(x, y)B 0 .

¡Hora de ejercitarse!
1 Si xi , i = 1, 2, . . . , n son variable aleatorias i.i.d. con E(xi ) = α y
var(xi ) = σ 2 ; además x = (x1 , x2 , . . . , xn )0 . Entonces calcule la
0
esperanza y varianza de 1nnx .
2 Sean x e y dos vectores aleatorios de orden n. Si Cov(x, y) = αIn ,
con α ∈ R. Calcule Cov(Ax, By) donde A = In − n1 Jn y B = Jn .
72 / 79
 Estadı́stica Paramétrica Propiedades de independencia

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

73 / 79
 Estadı́stica Paramétrica Propiedades de independencia

¿Qué implica la independencia de dos vectores aleatorios?

Vectores aleatorios independientes

Definición: Dos vectores aleatorios son independientes si cada
componente aleatorio de un vector es independiente de cada componente
del otro vector. Matemáticamente:

X e Y son independientes ⇐⇒ f(X,Y) (x, y) = fX (x)fY (y).

1 Sean X1 , X2 , . . . , Xn variables aleatorias independientes, entonces:

Qn
f(XQ (x1 , x2 , . . . , xn ) =
1 ,X2 ,...,Xn ) Q i=1 fXi (xi ).
n n
E( i=1 Xi ) = i=1 E(Xi ).
Cov(Xi , Xj ) = 0 para i 6= j.
2 Si X e Y son vectores aleatorios independientes, entonces f (X) y
g(Y) son independientes, siendo f (.) y g(.) funciones medibles.

74 / 79
 Estadı́stica Paramétrica Propiedades de independencia

¿Qué implica la independencia de dos vectores aleatorios?

Vectores aleatorios independientes

Definición: Dos vectores aleatorios son independientes si cada
componente aleatorio de un vector es independiente de cada componente
del otro vector. Matemáticamente:

X e Y son independientes ⇐⇒ f(X,Y) (x, y) = fX (x)fY (y).

Propiedades de independencia
1 Sean X1 , X2 , . . . , Xn variables aleatorias independientes, entonces:
Qn
f(XQ (x1 , x2 , . . . , xn ) =
1 ,X2 ,...,Xn ) Q i=1 fXi (xi ).
n n
E( i=1 Xi ) = i=1 E(Xi ).
Cov(Xi , Xj ) = 0 para i 6= j.
2 Si X e Y son vectores aleatorios independientes, entonces f (X) y
g(Y) son independientes, siendo f (.) y g(.) funciones medibles.

75 / 79
 Estadı́stica Paramétrica Función generatriz de momentos

1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker

2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial

3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos

76 / 79
 Estadı́stica Paramétrica Función generatriz de momentos

¿Qué es la función generatriz de momentos?

Función generatriz de momentos

Sea x un vector aleatorio de orden n. Su función generatriz de momentos
0
(f.g.m) se define como Mx (t) = E(et x ), ∀t ∈ Bδ (0) ⊆ Rn con δ > 0.

Sea y = (y10 |y20 | . . . |ym

0 )0 un vector aleatorio de orden n e y es un
i
vector aleatorio de orden ni tal que m
P
i=1 ni = n. Entonces
y1 , y2 , . . . , ym son independientes si y solo si My (t) = m
Q
i=1 Myi (ti )
donde ti ∈ Rni para i = 1, 2, . . . , m.
Sea Am×n una matriz de constantes y bm×1 un vector de constantes.
0
Si x es un vector aleatorio de orden n ⇒ MAx+b (t) = et b Mx (A0 t).
dk Mx (t)
Si x es una variable aleatoria, entonces E(xk ) = dtk
|t=0
A una f.g.m le corresponde una y solo una función de densidad.

77 / 79
 Estadı́stica Paramétrica Función generatriz de momentos

¿Qué es la función generatriz de momentos?

Función generatriz de momentos

Sea x un vector aleatorio de orden n. Su función generatriz de momentos
0
(f.g.m) se define como Mx (t) = E(et x ), ∀t ∈ Bδ (0) ⊆ Rn con δ > 0.

Propiedades de la f.g.m.
Sea y = (y10 |y20 | . . . |ym
0 )0 un vector aleatorio de orden n e y es un
i
vector aleatorio de orden ni tal que m
P
i=1 ni = n. Entonces
y1 , y2 , . . . , ym son independientes si y solo si My (t) = m
Q
i=1 Myi (ti )
donde ti ∈ Rni para i = 1, 2, . . . , m.
Sea Am×n una matriz de constantes y bm×1 un vector de constantes.
0
Si x es un vector aleatorio de orden n ⇒ MAx+b (t) = et b Mx (A0 t).
dk Mx (t)
Si x es una variable aleatoria, entonces E(xk ) = dtk
|t=0
A una f.g.m le corresponde una y solo una función de densidad.

78 / 79
 Estadı́stica Paramétrica Función generatriz de momentos

¿Qué tanto has aprendido?

¡Hora de ejercitarse!
1 Si X ∼ N (0, 1), calcule la f.g.m. de X.
2 Si X ∼ N (µ, σ 2 ), calcule la f.g.m. de X.
3 Si X ∼ χ2 (n), calcule la f.g.m. de X.
4 Si y1 , y2 , . . . , yn son variables aleatorias independientes, pruebe que
n
Y
MP n i=1 yi (t) = Myi (t)
i=1

5 Sean z1 , z2 , . . . , zn variables aleatorias

Pn i.i.d. con distribución normal
estándar. Halle la distribución de i=1 zi . 2

6 Sean y1 , y2 , . . . , yn variables aleatorias independientes tal que

yi ∼ χ2 (ni ). Calcule la distribución de ni=1 yi .
P

7 Sean y1 , y2 , . . . , yn variables aleatorias independientes

Pn tal que
2
yi ∼ N (µi , σi ). Calcule la distribución de i=1 ai yi con ai ∈ R. 79 / 79