UNIVERSIDAD NACIONAL DE INGENIERÍA

Escuela Profesional de Ingeniería Estadística

ALEATORIOS
MATRICES Y VECTORES
UNI-EPIES ANÁLISIS MULTIVARIANTE I

MATRICES Y VECTORES ALEATORIOS

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Vector Aleatorio

Es un vector cuyos elementos son variables aleatorias

Matriz Aleatoria

Es una matriz cuyos elementos son variables aleatorias

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Valor Esperado de una Matriz Aleatoria E(X)

Si X es una matriz aleatoria de orden nxp, entonces,

E(X11) E(X12) . . . E(X1p)

E(X21) E(X22) . . . E(X2p)
E(x)=
. . .
. . .
. . .
E(Xn1) E(Xn2) . . . E(Xnp)

donde:

E(xij) =
Xij fij(xij)dxij ; xij es una v.a. continua
x

Σx ij pij(xij) ; xij es una v.a. discreta

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Si ‘x’ es un vector aleatorio px1, entonces,

E(X1) µ1
E(X2) µ2
E(x) = . = .
. .
. .
E(Xp) µp

También, E(x) = µ (px1)

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Matriz Varianza-Covarianza Σ

Si “x” de orden px1 es un vector aleatorio y “µ” su correspondiente

vector de medias. Entonces,

( x1 - µ1 )
( x2 - µ2)
Σ = E [ (x - µ)(x - µ)’ ] = E ( . ( x1 - µ1 ) ( x2 - µ2) . . . ( xp - µp) )
.
.
( xp - µp)

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Desarrollando el producto de la expresión anterior tenemos que;

(x1 − µ1)2 (x1 − µ1)(x2 − µ2) L (x1 − µ1)(xp − µp)

Σ = E
(x2 − µ2)(x1 − µ1)
M
(x2 − µ2)2
M
L
O
(x2 − µ2)(xp − µp)
M
(xp − µp)(x1 − µ1) ( xp − µp)(x2 − µ2) L (xp − µp)2

En términos de las varianzas y covarianzas,

σ11 σ12 L σ1p

σ21 σ22 L σ2p
∑= M M O M
σp1 σp2 L σpp

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Matriz de Correlación ρ

La matriz de correlación (pxp) es una matriz simétrica tal que:

σ11 σ12 σ1p

...
σ11 σ11 σ11 σ22 σ11 σpp
σ21 σ22 σ2p
...
σ22 σ11 σ22 σ22 σ22 σpp
ρ = . . .
. . .
. . .

σp1 σp2 σpp

...
σpp σ11 σpp σ22 σpp σpp

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Matriz de Covarianza Particionada

Sea el vector X(px1) particionado y su correspondiente vector de medias µ:
X1 µ1
. .
. .
Xq X(1) µq µ(1)
X= = µ = =
Xq+1 X(2) µ q+1 µ(2)
. .
. .
Xp µp
A partir de la transposición y multiplicación de matrices tenemos que:

X 1 - µ1
X2 - µ 2
( X(1) - µ(1) ) ( X(2) - µ(2) )’ = .
X 1 - µ1 X 2 - µ2 ... X p - µp
.

Xp - µ p

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Efectuándose el producto de matrices tenemos:

 (X −µ )(X + − µ + ) (X − µ )(X + − µ + ) L (X1− µ1)(Xp− µp) 

 1−µ1 q 1 −µq 1 1 1 q2 q2
−µ −µ 
(1) − µ(1) (2) − µ(2) l = (X2 2)(Xq+1 q+1) (X2 2)(Xq+2 q+2) L (X2 − µ2)(Xp− µp)
(X )(X )  
M M O M
 
(Xq −µq)(Xq+1−µq+1) (Xq− µq)(Xq+2 − µq+2) − µ
L q q p p 
(X )(X − µ )

Tomando valor esperado a ambos términos de la ecuación:

σ1,q+1 σ1,q+2 ... σ1,p

σ2,q+2 σ2,q+2 ... σ2,p
E ( X(1) - µ(1) ) ( X(2) - µ(2) )’ =
MM MM O
O MM
= Σ 12

σq,q+1 σq,q+2 ... σq,p

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

σ11 σ12 ... σ1q σ1,q+1 σ1,q+2 ... σ1,p

σ21 σ22 ... σ2q σ2,q+1 σ2,q+2 ... σ2,p

M M O M M M O M

Σ11 Σ12 σq1 σq2 ... σqq σq,q+1 σq,q+2 ... σq,p

Σpp = =
Σ21 Σ22
σq+1,1 σq+1,2 ... σq+1,p σq+1,q+1 σq+1,q+2 . . . σq+1,p

σq+2,1 σq+2,2 ... σq+2,p σq+2,q+1 σq+1,q+2 . . . σq+2,p

M M O M M M O M

σp,1 σp,2 ... σp,q σp,q+1 σp,q+2 ... σpp

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

Matriz de Medias y Covarianza Muestral Particionada

La media y la matriz de covarianzas muestrales pueden ser

particionadas con el fin de distinguir cantidades correspondientes
a cada grupo de variable, así:

X1
.
. s11 s12 L s1p 
Xq  
s s22 L s2p
media y covarianza S =  21
X= M M O M 
muestral Xq+1 muestral  
. sp1 sp2 L spp
.
Xp

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

cuyas particiones están dadas por:

X1
.
.
X(1)
Xq
X= =
Xq+1
. X(2)
.
Xp

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

s11 s12 . . . s1q s1,q+1 s1,q+2 ... s1,p

s21 s22 . . . s2q s2,q+1 s2,q+2 ... s2,p

M M O M M M O M

sq1 sq2 . . . sqq sq,q+1 sq,q+2 ... sq,p

S S12
Sn = 11 =
S21 S22
sq+1,1 sq+1,2 . . . sq+1,q sq+1,q+1 sq+1,q+2 . . . sq+1,p
sq+2,1 sq+2,2 . . . sq+2,q sq+2,q+1 sq+1,q+2 . . . sq+2,p

M M O M M M O M

sp,1 sp,2 . . . sp,q sp,q+1 sp,q+2 ... spp

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

El Vector de Medias y Matriz de Covarianzas

para una Combinación Lineal

La Combinación Lineal c’X=c1X1+c2X2+...+cpXp tiene:

Media E(c’X)=c’µ

Varianza V(c’X)=c’Σc

donde µ=E(X) y Σ=Cov(X)

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANÁLISIS MULTIVARIANTE I

En general si consideramos ’q’ combinaciones de las ’p’ variables

aleatorias X1, X2, ..., Xp

Z1 X1
c11 c12 L c p
Z2 1 X2
. c 21 c22 L c 2p .
Z = . = M M O M . = CX
. c c L c .
q1 q2 qp
Zq Xp

La combinación lineal Z=CX tiene:

µz = E(Z) = E(CX) = C µx

Σz = Cov(Z) = Cov(CX) = C Σx C’
Lic. Luis Huamanchumo de la Cuba
UNIVERSIDAD NACIONAL DE INGENIERÍA
Escuela Profesional de Ingeniería Estadística

GEOMETRÍA MUESTRAL
 Observación Multivariada

Una observación multivariada es una colección de mediciones sobre ’p’

variables medida sobre el mismo objeto o ensayo:

x x L x
11 12 1p
x x L x 1ra observación
21 22 2p
Xnxp =
M M O M

x x L x
n1 n2 np
n-ésima
observación
y1 y2 yp
 Caso n=3 y p=2

Ploteo de puntos (observaciones) para una matriz X

x2
x2

x3
x
x1
x1
 Caso n=3 y p=2
Gráfico de variables para la matriz X
X3

y2

X2
y1

X1
VECTORES ALEATORIOS
 Longitud o Norma de un Vector

X2
Lx= X12+X22
x2 X=(x1,x2)
Lx= XlX
Lx

X1 Caso General:
0 x1 X=(x1, x2, ..., xp)
Ángulo entre Dos Vectores

y
x1y1 + x2y2+ ... + xpyp
Cos θ=
LxLy
θ
XlY
x Cos θ=
XlX YlY
 Componente y Proyección de X sobre Y

La Proyección Ortogonal de X sobre Y (Pryx) es el

vector cuya dirección está dada por la dirección y
sentido del vector Y, y la longitud por la Componente
de X sobre Y (Cpyx)

Pryx = xly . y = xly . y = Cpyx . y

L2y Ly Ly Ly
 CASOS
x x

θ Agudo
θ θ
y y
Cpyx Pryx
x x
Pry x
θ Obtuso
Cpy x
θ θ
y y
Cpyx Pryx

Componente Proyección
 Media Muestral

desviación
Sea
Zi
Zi= (xi1, xi2, ..., x1n) y 1 = (1, 1, ...,1)nx1

Zi – xi1 = ei PruZi = Zilu . u donde u=1 .1

u 2 n

PruZi = Zil u . u = xi . 1
u PruZi = xi . 1

com ponente
de m edias
 Caso para p=3 y n=3

z1
3 z1 - x11

1 x11

x31 1
x21 e2
z1 e1
e3
x11 z2
2
z3

1
 Caso para p=3 y n=3

Graficando las Desviaciones

3

L2ei = eilei = Σ(xij – xi)2

j
(longitud del (sum a de
vector de = cuadrados de las
desviaciones) 2 desviaciones)
e1
2
Longitud más grande del
vector de desviaciones
e2
representa mayor
1
e3 variabilidad que vectores
más pequeños
 Coeficiente de Correlación
El coseno del ángulo formado por dos vectores de
desviaciones es el coeficiente de correlación

eilek = Lei Lek cos(θik)

cos(θik) = eilek
Lei Lek
cos(θik) = Sik
Sii Skk
ek
ek ek

ei ei ei

cos(θik) = 0 0 < cos(θik) < 1 cos(θik) < 0

 Varianza Generalizada

e1

Le1
h h = Pre2 e1

Le2 e2

h = Le1sen(θ)

Area = Le1Le2 1 – cos2(θ)

 n

Le1 = Σ(x1j - x1)2

j=1
= (n-1)s11

Le2 = Σ(x2j - x2)2

j=1
= (n-1)s22

cos(θ) = r12

Luego,

Area = (n-1) s11 s22 1 – r212

|S| = (Area)2 (n-1)2

 Caso: p=3

e3
e3
e1
e2 e2
e1

0 2
0

Varianza Generalizada Varianza Generalizada

M uestralGrande 1 M uestralPequeña
Caso en que el volumen tri-dimensional es cero |S|=0

e1

e2 e3