Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dialnet ProductosDeKronecker 5239087 PDF
Dialnet ProductosDeKronecker 5239087 PDF
productos de kronecker
Jorge Poltronieri Vargas1
Resumen
En el estudio de las formas cuadráticas hemos obtenido fórmulas para el cálcu-
lo de covarianzas. En este trabajo realizamos un estudio sistemático de los
productos que llamamos de Kronecker y que serán de gran ayuda para estos
cálculos. Se introducen el producto de Kronecker asimétrico y antisimétrico.
Abstract
We obtain the formulae of covariances between random, introducting the Kronecker’s
products: asymmetrical and antisymmetrical.
Definición 1 Sean An×m y Bp×q matrices, se define por el producto simétrico de Kro-
necker la matriz denotada A ⊗ B de tamaño np × mq tal que la entrada ijkl (entrada kl
del bloque ij) es (A ⊗ B)ijkl = aij bkl , donde 1 ≤ i ≤ n, 1 ≤ j ≤ m, 1 ≤ k ≤ p, 1 ≤ l ≤ q.
Definición 2 Sean An×m y Bp×q matrices, se define por el producto asimétrico de Kro-
necker la matriz denotada A ⊗ ˙ B de tamaño np × mq tal que la entrada ijkl (entrada kl
˙ B)ijkl = ail bkj = (A ⊗ B)ilkj ,
del bloque ij) es (A ⊗ es decir que en la entrada ijkl de
A⊗ ˙ B se encuentra la entrada ilkj de A ⊗ B, donde 1 ≤ i ≤ n, 1 ≤ j ≤ q, 1 ≤ k ≤ p,
1 ≤ l ≤ m.
1
Escuela de Matemática, Universidad de Costa Rica, 2060 San José, Costa Rica
25
26 j. poltronieri
˙ Bp×q) α,β=p(i−1)+k,
(An×m ⊗ m(j−1)+l = (A ⊗ B)ilkj = ail bkj = (A ⊗ B) p(i−1)+k, q(l−1)+j
1≤i≤n 1≤j≤q 1≤i≤n 1≤l≤m
np×mq 1≤k≤p 1≤l≤m 1≤k≤p 1≤j≤q
¨ Bp×q) α,β=m(i−1)+k,
(An×m ⊗ q(j−1)+l = (A ⊗ B)ikjl = aik bjl = (A ⊗ B) p(i−1)+j, q(k−1)+l
1≤i≤n 1≤j≤p 1≤i≤n 1≤k≤m
nm×pq 1≤k≤m 1≤l≤q 1≤j≤p 1≤l≤q
- (A ⊗ B)0 = A0 ⊗ B 0
˙ B)0 = B 0 ⊗
- (A ⊗ ˙ A0
¨ B)0 = B ⊗
- (A ⊗ ¨ A.
X1
.
Sabemos que X = (X1 , . . . , Xp ), entonces se define [X] = .. o sea que la
Xp np×1
matriz X se transforma en un vector colocando todos los vectores Xi en columna. Ası́ ten-
emos
- [BXC] = C 0 ⊗ B[X].
- [A][B]0 = A0 ⊗
¨ B0.
- [B 0 ]0 (I ⊗ C)[D] = 1 ⊗
¨ BI ⊗CD⊗ ¨ B D0 C 0 ⊗
¨ 1 = 1⊗ ¨ 1 = tr(BCD) ⊗
¨ 1 = tr(BCD)
- [xy 0 ] = y ⊗ x, zy 0 = y 0 ⊗ z = z ⊗ y 0
- xy 0 = x ⊗ y 0 = x ⊗
¨ y 0 = y 0 ⊗ x = x0 ⊗
¨y
- yq 0 ⊗ xz 0 = yx0 ⊗
¨ qz 0 = yz 0 ⊗
˙ xq 0
- xy 0 ⊗
¨ zq 0 = xz 0 ⊗ yq 0 = [yx0 ][qz 0 ]0 .
- x ⊗ yz 0 = x10 ⊗ yz 0 = xy 0 ⊗
¨ 1z 0 = xy 0 ⊗
¨ z0
productos de kronecker 27
P P
Sea K = ni=1 pj=1 Hij ⊗ Hij 0 , matriz np × np que denotamos K . La matriz K 0
np
0 para tener mayor
aunque tiene la misma dimensión que K, es preferible denotarla Kpn
claridad en las aplicaciones.
o sea M K = Ṁ .
28 j. poltronieri
p X
X n p X
X n
0 0 0 0 =
Pq Pm 0
Knp = Kpn = Hij ⊗ Hij = Hij ⊗ Hij Kmq = Kqm l=1 k=1 Jkl ⊗ Jkl
j=1 i=1 j=1 i=1
K = K 0 = K −1 0 =I
Knp Kpn np = In ⊗ Ip = Ip ⊗ In
m
XX n
0 0
Kmq Kqm = Imq = Im ⊗ Iq = Iq ⊗ Im Kmn = Rst ⊗ Rst
s=1 t=1
q
n X
X
Knq = Lst ⊗ L0st ˙ B = Knp (B ⊗ A) = (A ⊗ B)Kmq
A⊗
s=1 t=1
Knp (A ⊗ B) = B ⊗˙ A = (B ⊗ A)Kmq C ⊗ D A⊗˙ B = CA ⊗
˙ DB
˙ Ip = A ⊗
A ⊗ B In ⊗ ˙ B A⊗˙ B E ⊗ F = AF ⊗
˙ BE
˙ B C⊗
A⊗ ˙ D = AD ⊗ BC Knp A ⊗ ˙ B =B⊗A
X p
n X
˙ B Kmq = A ⊗ B ˙ Ip = 0
A⊗ In ⊗ Hij ⊗ Hij = Knp
i=1 j=1
X p
n X p
n X
X
˙ Iq = Kmq 0
¨ Hij 0
Im ⊗ Hij ⊗ = Hij ⊗ Hij
i=1 j=1 i=1 j=1
X p
n X p
n X
X
¨ Ip =
In ⊗ Hij ⊗ Hij In ⊗ I p = ¨ Hij
Hij ⊗
i=1 j=1 i=1 j=1
X q
n X X p
m X
¨ B = I ⊗ A0 (
A⊗ Lij ⊗ Lij )B 0 ⊗ I ¨ B = A ⊗ I(
A⊗ Rij ⊗ Rij )I ⊗ B
i=1 j=1 i=1 j=1
p
m X
X
¨B=
A⊗ ARkl ⊗ Rkl B
k=1 l=1
n X
X q
= Luv B 0 ⊗ A0 Luv 0
¨ B Kmn
A⊗ ¨ B0
= A⊗
u=1 v=1
¨ B = A0 ⊗
Knq A ⊗ ¨B ¨ B C ⊗ D = A⊗
A⊗ ¨ C 0 BD
E ⊗ F A⊗¨ B = EAF 0 ⊗
¨B ¨ B C⊗
A⊗ ˙ D = A⊗ ¨ D0 B 0 C
E⊗ ¨ B = F A0 E 0 ⊗
˙ F A⊗ ¨B ¨ B C⊗
A⊗ ¨ D = tr(BC 0 )A ⊗ ¨D
−1
A ⊗B A⊗−1 ˙ B = In ⊗ ˙ B B −1 ⊗ A−1
˙ Ip = A ⊗ ˙ B)−1 = B −1 ⊗
(A ⊗ ˙ A−1
(A ⊗ B)−1 = A−1 ⊗ B −1 ˙ B) = det(A ⊗ B)
det(A ⊗
= (det A)p (det B)n
˙ B) = tr(AB), si n = p = m = q
tr(A ⊗ ¨ B) = tr(AB 0 ), si n = p
tr(A ⊗
tr(A ⊗ B) = tr(A)tr(B), si n = m, p = q A⊗ ¨ B es singular y rang(A ⊗¨ B) = 1
Si A y B son ortogonales, A ⊗ B es ortogonal Si A > 0 y B > 0, entonces A ⊗ B > 0
1.1. Propiedades
1. ˙ B ⊗ C ))αβ = (A ⊗(B⊗C))
( A ⊗( ˙ = ail (B⊗C)r(k−1)+x, s(j−1)+y =
n×m p×q r×s pr(i−1)+k 0 , m(j 0 −1)+l
pr×qs 1≤i≤n 1≤l≤m 1≤k≤p 1≤j≤q
1≤k 0 ≤pr 1≤j 0 ≤qs 1≤x≤r 1≤y≤s
ail bkj cxy de lo que deducimos (A ⊗(B ˙ ˙
⊗ C))ijkyxl = ail bkj cxy , o sea (A ⊗(B ⊗
C))ijklxy = aiy bkj cxl . La matriz es de tamaño npr × mqs, α = pr(i − 1) + r(k − 1) + x,
β = ms(j − 1) + m(y − 1) + l.
2. ˙ B) ⊗ C)αβ = ((A ⊗
((A ⊗ ˙ B) ⊗ C) ˙ B)
= (A ⊗ c =
r(a−1)+x, s(b−1)+y p(i−1)+k, m(j−1)+l xy
1≤a≤np 1≤b≤mq 1≤i≤n 1≤j≤q
1≤x≤r 1≤y≤s 1≤k≤p 1≤l≤n
ail bkj cxy
o sea ((A ⊗˙ B) ⊗ C))ijklxy = ail bkj cxy y deducimos (A ⊗
˙ B) ⊗ C 6= A ⊗(B
˙ ⊗ C). La
matriz es de tamaño npr×mqs, α = pr(i−1)+r(k−1)+x, β = ms(j−1)+s(l−1)+y.
5. ˙
(A ⊗(B ⊗˙ C))ijklxy = aiy bkl cxj , npr × mqs, α = rp(i − 1) + r(k − 1) + x; β =
mq(j − 1) + q(l − 1) + y
8. ¨ B) ⊗
((A ⊗ ˙ C)ijklxy = aik bly cxj , nrm × spq, α = rm(i − 1) + r(k − 1) + x; β =
pq(j − 1) + q(l − 1) + y
9. ˙
(A ⊗(B ¨ C))ijklxy = aiy bkx cjl ,
⊗ npq × rms, α = pq(i − 1) + q(k − 1) + x; β =
ms(j − 1) + m(l − 1) + y
10. ˙
A ⊗(B ˙ C) = (A ⊗
⊗ ˙ B) ⊗
˙ C.
11. ¨
A ⊗(B ¨ C) = (A ⊗
⊗ ¨ B) ⊗
¨ C.
12. ¨ B) ⊗
(A ⊗ ˙ C) 6= A ⊗(B
¨ ˙ C).
⊗
De igual manera
¨
(A ⊗(B ⊗ C))m(i−1)+k,qrs(j−1)+qs(x−1)+s(l−1)+y = aik bjl cxy
¨
(A ⊗(B ˙ C))m(i−1)+k,qrs(j−1)+qs(x−1)+q(y−1)+l = aik bjl cxy .
⊗
- (µ0 ⊗
˙ A) ⊗ ρ = A ⊗ ρµ0
- (µ ⊗ A) ⊗ ρ0 = µρ0 ⊗
˙ A
- µ0 ⊗ (A ⊗ ¨ µρ0
¨ ρ) = A ⊗
- µ0 ⊗ (A ⊗ ρ) = A ⊗
˙ µρ0
- (µ0 ⊗
¨ A) ⊗ ρ = µρ0 ⊗
¨ A.
2. Matrices de Kronecker
La manera de multipicar matrices usando productos de Kronecker, nos sugiere la idea
de una clase particular de matrices que llamaremos matrices de Kronecker.
Ası́ (A ⊗ M )α;β=p(i−1)+k;tq(j−1)+ρ=p(i−1)+k;tq(j−1)+q(s−1)+l .
a1 M 1 · · · a1 M t
.. .. ..
a⊗M = . . .
1
an M · · · an M t
2. La matriz M ⊗ A es np × mtq por lo que (M ⊗ A)iρkl = miρ akl = msij akl , con
ρ = (s − 1)q + j, 1 ≤ s ≤ t, 1 ≤ i ≤ p, 1 ≤ ρ ≤ qt, 1 ≤ j ≤ q, 1 ≤ k ≤ n, 1 ≤ l ≤ m.
3. La matriz (A0 ⊗ M 0 ) es tmq × np, i.e. (A0 ⊗ M 0 )ijρl = m0ρl a0ij = mslk aji , con ρ =
(s − 1)q + k, 1 ≤ s ≤ t, 1 ≤ k ≤ q, 1 ≤ j ≤ n, 1 ≤ i ≤ m.
2.2. ˙
Estudio del caso ⊗
1. La entrada (A ⊗ ˙ M )iρkl = ail mkρ = ail mskj , donde ρ = (s − 1)q + j, 1 ≤ s ≤ t,
1 ≤ j ≤ q, 1 ≤ i ≤ n, 1 ≤ l ≤ m, 1 ≤ k ≤ p.
˙ M )p(i−1)+k;m(ρ−1)+l=p(i−1)+k;mq(s−1)+m(j−1)+l , np × mtq.
Ası́ (A ⊗
˙ M )iρk1 = ai mskj , y si t = 1, (a ⊗
(a ⊗ ˙ M )ijk1 = ai mkj np × q.
3. La matriz (A0 ⊗ ˙ M 0 ) es mtq × np por lo que (A0 ⊗ ˙ M 0 )ijρl = mjρ ali = msjk ali , con
ρ = (s − 1)q + k, 1 ≤ k ≤ q, 1 ≤ l ≤ n, 1 ≤ i ≤ m, 1 ≤ j ≤ p.
Ası́ (A0 ⊗
˙ M 0 )tq(i−1)+ρ;n(j−1)+l=tq(i−1)+q(s−1)+k;n(j−1)+l .
Si t = 1, ρ = k, (A0 ⊗
˙ M 0 )ijkl = mjk ali , mq × np.
(a0 ⊗
˙ M 0 )1jρl = al msjk y si t = 1, (a0 ⊗
˙ M 0 )1jkl = al mjk .
Si t = 1, ρ = i, (M 0 ⊗
˙ A0 )ijkl = mli ajk , mq × np.
(M 0 ⊗
˙ a0 )ρj1l = aj msli = (M 0 ⊗
˙ a0 )sjil y si t = 1, (M 0 ⊗
˙ a0 )ij1l = (M 0 ⊗
˙ a0 )1jil y las
notaciones coinciden.
productos de kronecker 33
2.3. ¨
Estudio del caso ⊗
1. La entrada (A ⊗¨ M )ijkρ = aik msjl , donde ρ = (s − 1)q + l, 1 ≤ l ≤ q, 1 ≤ j ≤ p,
1 ≤ i ≤ n, 1 ≤ k ≤ m, 1 ≤ s ≤ t. Ası́ (A ⊗¨ M )m(i−1)+k;tq(j−1)+q(s−1)+l , nm × tpq.
¨ M )ijkl = aik m1jl , nm × pq.
Si t = 1, ρ = l, i.e. (A ⊗
¨ M )ij1ρ = ai msjl , y si t = 1, (a ⊗
(a ⊗ ¨ M )ij1l = ai mjl n × pq.
3. La matriz (A0 ⊗¨ M 0 ) es nm × tpq por lo que (A0 ⊗¨ M 0 )iρkl = mlρ aki = mslj aki , con
ρ = (s − 1)q + j, 1 ≤ s ≤ t, 1 ≤ j ≤ q, 1 ≤ k ≤ n, 1 ≤ i ≤ m, 1 ≤ l ≤ p.
Si t = 1, ρ = j, (A0 ⊗
¨ M 0 )ijkl = mlj aki , nm × pq.
(a0 ⊗
¨ M 0 )1ρkl = ak mslj y si t = 1, (a0 ⊗
¨ M 0 )1jkl = ak mlj .
(M 0 ⊗
¨ a0 )ρ1kl = al mski = (M 0 ⊗
¨ a0 )sjil y si t = 1 (M 0 ⊗
¨ a0 )i1kl = al mki .
mq × p. Ahora
)
E((y ⊗ z 0 ⊗ u)0 ) = Myu ·z
⇒(Myu ·z )0 = M yu
0
E(y ⊗ z ⊗ u) yu
= M ·z ·z
E(x0 ⊗ z ⊗ u) = E(z ⊗ x0 ⊗ u) = (M·xu x )
0
x1 zu0 M1
.. = ... = (M·xz
E(x ⊗ z ⊗ u0 ) = E(x ⊗ zu0 ) = E . 0
u).
xn zu 0 M n
34 j. poltronieri
En resumen
1. ·z , p × nq
E(x0 ⊗ z ⊗ u0 ) = Mxu
2. E(x ⊗ z 0 ⊗ u) = M·xu
z , nq × p
4. ·u , q × np
E(x0 ⊗ z 0 ⊗ u) = E(x0 ⊗ u ⊗ z 0 ) = Mxz
5. ·x , n × pq
E(x ⊗ z 0 ⊗ u0 ) = E(z 0 ⊗ x ⊗ u0 ) = Mzu
E((x − µ) ⊗(y ·x − M 0 ⊗
¨ − ν)(z − ρ)0 ) = Myz ˙ ν 0 − Myx
0
⊗ ρ0 − µ ⊗ ¨ νρ0 .
¨ Mxz + 2µ ⊗
zx
4. Momentos de orden 4
Consideremos xn×1 , ym×1 , zp×1 , uq×1 vectores aleatorios. La esperanza matemática
E(xy 0 ⊗ zu0 )ijkl = E(xi yj zk ul ) = Mijkl = (Myu
xz ) xz
ijkl , donde Myu es la matriz np × mq de
momentos de orden 4, de las variables x, y, z, u.
La expresión E((x − µ)(y − ν)0 ⊗ (z − ξ)(u − θ)0 ) = M̄yu
xz matriz de momentos centrados
Observemos que:
productos de kronecker 35
1. ·z
E(µy 0 ⊗ zu0 ) = µ ⊗ E(y 0 ⊗ z ⊗ u0 ) = µ ⊗ Myu
2. ·x ⊗ ξ
E(xy 0 ⊗ ξu0 ) = E(x ⊗ y 0 ⊗ u0 ⊗ ξ) = Myu
5. E(xν 0 ⊗ zθ 0 ) = E(xz 0 ⊗
¨ νθ 0 ) = Mxz ⊗
¨ νθ 0
7. E(xy 0 ⊗ ξθ 0 ) = Mxy ⊗ ξθ 0
Si x = y = z = u,
xx y M = M xx .
donde M̄4 = M̄xx 4 xx
5. Cálculo de covarianzas
Sea Y = (Y1 , . . . , Yn ) vectores aleatorios con momentos de orden 4 tales que E(Yα ) =
µα , α = 1, . . . , n, E(Y ) = (µ1 , . . . , µn ) = Γ, cov(Yα , Yβ ) = δαβ Σ y M̄3 , M̄4 matrices de
momentos centrados de orden 3 y 4 respectivamente que no dependen de α y sean An×n
matriz simétrica, Bn×p .
n X
X n n
X
E((Y − Γ)A(Y − Γ)0 ) = aαβ E((Yα − µα )(Yβ − µβ )0 ) = aαα Σ = tr(A)Σ
α=1 β=1 α=1
b01
. P
por lo que E(Y AY 0 ) = ΓAΓ0 + tr(A)Σ. Sea Y B = (Y1 , . . . , Yn ) .. = nα=1 Yα b0α ,
b0n
E(Y B) = ΓB. Definimos X = Y − Γ, ΓA = ν = (ν1 , . . . , νn ), entonces Y AY 0 −
36 j. poltronieri
˙ ΓAB,
= M̄30 ⊗ a0 B + ΓAB ⊗ Σ + Σ ⊗
P P P
- αβγ aαβ E(Xα Xβ0 ⊗
¨ ργ Xγ0 ) = αβγ aαβ E(Xα ρ0γ ⊗ Xβ Xγ0 ) = 0
α aαα ρα ⊗ M̄30 =
a0 BΓ0 ⊗ M̄30
P
- αβγ aαβ E(Xα Xγ0 ⊗ Xβ ) ⊗ ρ0γ = M̄30 ⊗ a0 BΓ0
P 0
P
- αγδ bγδ E(να Xγ ⊗ Xα Xδ0 ) = α bαα να ⊗ M̄3 = ΓAb ⊗ M̄3
P 0
P
- αγδ bγδ E(Xα Xγ ⊗ να Xδ0 ) = M̄3 ⊗ α bαα να = M̄3 ⊗ ΓAb
P
- αβ aαβ E(Xα Xβ0 ) ⊗
¨ Σtr(B) = tr(A)tr(B)Σ ⊗
¨Σ
P
- αβ να ρ0β ⊗ E(Xα Xβ0 ) = ΓABΓ0 ⊗ Σ
P P
- αβ E(να Xβ0 ⊗ Xα ρ0β ) = αβ να ρ0β ⊗
˙ E(Xα Xβ0 ) = ΓABΓ0 ⊗
˙ Σ
P P
- αβ E(Xα ρ0β ⊗ να Xβ0 ) = αβ E(Xα Xβ0 ) ⊗
˙ να ρ0β = Σ ⊗
˙ ΓABΓ0
P 0 ¨
- αβ bαβ E(Xα Xβ ) ⊗ Σtr(A)
¨ Σ.
= tr(A)tr(B)Σ ⊗
Ası́ tenemos
˙ Σ− Σ⊗
cov(Y AY 0 , Y BY 0 ) = a0 b(M̄4 − Σ ⊗ Σ − Σ ⊗ ¨ Σ) + tr(AB)(Σ ⊗ Σ + Σ ⊗
˙ Σ)+
cov(Y B, Y A) = B 0 V A ⊗ Σ, cov(Y A, Y B) = A0 V B ⊗ Σ.
- Y 0 = (Y 1 , . . . , Y p ), var(Y 0 ) = Σ ⊗ V cov(Y 0 , Y ) = Σ ⊗
˙ V
var(Y ) = V ⊗ Σ 0
cov(Y, Y ) = V ⊗ ˙ Σ.
38 j. poltronieri
- cov(AY 0 , Y B) = Σ ⊗
˙ AV B cov(Y B, AY 0 ) = (AV B)0 ⊗
˙ Σ
cov(Y C, Y D) = C 0 V D ⊗ Σ cov(EY 0 , F Y 0 ) = Σ ⊗ EV F 0 .
- cov(KY A, HY B) = A0 V B ⊗ KΣH 0 .
K = Y 0 KY − Γ0 KΓ − V tr(KΣ)
Xp X p
= [kst X s X t0 + δst λs X t0 + δst X s λ0t − δst (ΣK)st V ]
s=1 t=1
P 0
P P
- αβst δαβ kst E(να Xβ
¨ X s X t0 ) =
⊗ αβst δαβ kst E(να X
s0 ⊗ Xβ X t0 ) = αst kst να ⊗
·α
M̄st
P s0
P ·α
- αβst δαβ kst E(Xα X ⊗ νβ X t0 ) = αst kst M̄st ⊗ να
P s X t0 )
- ¨
αβst δαβ (AV )αβ kst Σ ⊗ E(X
¨V
= tr(AV )tr(ΣK)Σ ⊗
P 0
P · s )0
- αβst aαβ δst E(Xα Xβ
¨ λs X t0 ) =
⊗ αβt aαβ λ0t ⊗ (M̄αβ
P 0
P
- αβst δαβ δst E(να Xβ
¨ λs X t0 ) =
⊗ 0
αβst δαβ δst E(να λs ⊗ Xβ X t0 ) = ΓAV ⊗ ΣKΓ0
P 0
- αβst δαβ δst E(Xα νβ
¨ λs X t0 ) = ΣKΓ0 ⊗
⊗ ˙ ΓAV
P 0
P · t )0 ⊗ λ 0
- αβst aαβ δst E(Xα Xβ
¨ X s λ0t ) =
⊗ αβt aαβ (M̄αβ t
P 0
- αβst δαβ δst E(να Xβ
¨ X s λ0t ) = ΓAV ⊗
⊗ ˙ ΣKΓ0
P 0
- αβst δαβ δst E(Xα νβ
¨ X s λ0t ) = ΣKΓ0 ⊗ ΓAV
⊗
P 0 ¨
- αβst aαβ δst (KΣ)st E(Xα Xβ ) ⊗ V
¨V
= tr(AV )tr(ΣK)Σ ⊗
P
- ¨
αβst δαβ (AV )αβ δst (KΣ)st Σ ⊗ V
¨ V.
= tr(AV )tr(ΣK)Σ ⊗
Ası́ tenemos
¨ V AV + M̄ ∗ ⊗
cov(Y AY 0 , Y 0 KY ) = 2ΣKΣ ⊗ ¨ DA − 2ΣKΣ ⊗ ¨ V DA V − tr(KΣ)Σ ⊗
¨ DA V
P ·α
+ΓAV ⊗ ˙ ΣKΓ0 + ΣKΓ0 ⊗ ˙ ΓAV + ΓAV ⊗ ΣKΓ0 + ΣKΓ0 ⊗ ΓAV + αst kst να ⊗ M̄st
P ·α ⊗ ν + P ·s 0 0
P 0 ·s 0
+ αst kst M̄st α αβs aαβ (M̄αβ ) ⊗ λs + αβs aαβ λs ⊗ (M̄αβ ) .
cov(Y AY 0 , Y B) = ΓAV B ⊗ Σ + Σ ⊗
˙ ΓAV B + M̄3 ⊗ a0 B cov(Y 0 HY, Y 0 K) = Γ0 HΣK ⊗ V + V ⊗
˙ Γ0 HΣK + N̄3 ⊗ h0 K
M̄30 ⊗ a0 BΓ0 + a0 BΓ0 ⊗ M̄30 + M̄3 ⊗ ΓAb + ΓAb ⊗ M̄3 N̄30 ⊗ h0 KΓ + h0 KΓ ⊗ N̄30 + N̄3 ⊗ Γ0 Hk + ΓHk ⊗ N̄3
cov(AY 0 K, HY B) = K 0 ΣH 0 ⊗
˙ AV B cov(HY B, AY 0 K) = B 0 V A0 ⊗
˙ HΣK
Tabla 1
40 j. poltronieri
Referencias
[1] Anderson, T.W. (1958) An Introduction to Multivariate Statistical Analysis. John
Wiley & Sons, New York.
[3] Muirhead, R.J. (1982) Aspects of Multivariate Statistical Theory. John Wiley & Sons,
New York.
[4] Poltronieri, J. (1987) “Algunas consideraciones sobre las formas cuadráticas y las
formas lineales”, Uniciencia, 4(1,2): 69–75.
[6] Poltronieri, J. (1988) “Estudio de formas cuadráticas y formas lineales en el caso mul-
tivariado”, Memorias IV Simposio de Métodos Matemáticos Aplicados a las Ciencias,
B. Montero & J. Poltronieri (eds.), Editorial de la Universidad de Costa Rica: 165–
173.
[9] Searle, S.R. (1971) Linear Models. John Wiley & Sons, New York.
[10] Styan, G.P.H. (1969) Notes on the distribution of quadratic formes in singular normal
variables. Technical Report 122, University of Minnesota, Minneapolis, Minn.