Revista de Matemática: Teorı́a y Aplicaciones 3(1): 45–60 (1996)

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.

1. Estudio de los productos de Kronecker

Nuestro interés es el de definir diferentes productos de Kronecker, que serán de gran
utilidad para el cálculo de covarianzas.

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.

En general se puede definir A ⊗ B de otra manera, (An×m ⊗ Bp×q )α,β=p(i−1)+k,q(j−1)+l ,

donde

(An×m ⊗ Bp×q) α,β=p(i−1)+k, q(j−1)+l = (A ⊗ B)ijkl = aij bkl .

1≤i≤n 1≤j≤m
np×mq 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

Similarmente se puede definir

˙ 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

Definición 3 Sean An×m y Bp×q matrices, se define por el producto anti–simétrico de

Kronecker la matriz denotada A ⊗ ¨ B de tamaño nm × pq tal que la entrada ijkl (entrada
¨
kl del bloque ij) es (A ⊗ B)ijkl = aik bjl = (A ⊗ B)ikjl , es decir que en la entrada ijkl de
A⊗ ¨ B se encuentra la entrada ikjl de A ⊗ B, donde 1 ≤ i ≤ n, 1 ≤ j ≤ p, 1 ≤ k ≤ m,
1 ≤ l ≤ 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

Algunas propiedades de estas matrices son

- (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.

- tr(BX 0 CXD) = [X 0 ]0 B 0 D 0 ⊗ C [X] = [X 0 ]0 DB ⊗ C 0 [X]

- [BC] = I ⊗ B [C] = C 0 ⊗ I [B] = C 0 ⊗ B [I]

- [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

Otras propiedades interesantes son las siguientes.

- Si A es m × m con valores propios {a1 , . . . , am } y vectores propios {u1 , . . . , um } y

B es n × n con valores propios {b1 , . . . , bn } y vectores propios {v1 , . . . , vn }, entonces
ui ⊗ vj es un vector propio de A ⊗ B de valor propio ai bj .

- Sean {ui /i = 1, . . . , n}, {vi /i = 1, . . . , m}, {fi /i = 1, . . . , p}, {si /i = 1, . . . , q} bases

canónicas de los espacios IRn , IRm , IRp , IRq respectivamente. Sea Hij = ui t0j = ui ⊗t0j
(respectivamente Jkl = vk s0l , Rkj = vk t0j , Lil = ui s0l ), la matriz n × p es tal que la
entrada ij vale 1 y las demás 0, i = 1, . . . , n, j = 1, . . . , p. El conjunto {Hij /i =
1, . . . , n; j = 1, . . . , p} es la base canónica de L(IRn , IRp ).

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.

Observación Podemos definir a partir de la matriz Mnp×mq , las matrices Ṁnp×mq y

M̈nm×pq de la siguiente manera

Ṁijkl = Milkj , M̈ijkl = Mikjl .

Se puede probar que si M = A ⊗ B, entonces Ṁ = A ⊗ ˙ B y M̈ = A ⊗¨ B.

 11 1m 
M ··· M
.. .. ..  ij P
Observemos que si M =  . . . , Mijkl = Mkl y además M K = M st J st ⊗
M n1 · · · M nm
st0
J , i.e.
X
(M K)αβ = Mαγ (J st ⊗ J ts )γβ
γst
X ij
= Mkl (J st )ju (J ts )lv
jlst
X ij
= Mkl δsj δtu δtl δsv
jlst
X
is
= Mkl δtu δtl δsv
lst
X
is iv
= Mkt δtu δsv = Mku = Mivku
st
= Ṁiukv = Ṁαβ ,

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

Usando esta nomenclatura podemos determinar algunas propiedades concernientes a

estos productos de Kronecker.
 productos de kronecker 29

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.

3. ((A ⊗ B) ⊗˙ C)ijklxy = ail bky cxj , npr × mqs, α = rp(i − 1) + r(k − 1) + x; β =

mq(j − 1) + q(l − 1) + y

4. ˙ C))ijklxy = aij bky cxl ,

(A ⊗ (B ⊗ npr × mqs, α = rp(i − 1) + r(k − 1) + x; β =
mq(j − 1) + q(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

6. (A ⊗ (B ⊗¨ C))ijklxy = aij bkx cly , npq × mrs, α = pq(i − 1) + q(k − 1) + l; β =

rs(j − 1) + s(x − 1) + y

7. ¨ B) ⊗ C)ijklxy = aik bjl cxy ,

((A ⊗ nmr × pqs, α = rm(i − 1) + r(k − 1) + x; β =
sq(j − 1) + s(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).
⊗

Observación ¨ C = [A0 ⊗ B 0 ][C 0 ]0 matriz npmq × rs y

Recordemos que (A ⊗ B) ⊗

¨ C)mq(i0 −1)+k0 ,s(x−1)+y = (A ⊗ B)p(i−1)+k,q(j−1)+l cxy = aij bkl cxy ,

((A ⊗ B) ⊗

donde 1 ≤ i0 ≤ np, 1 ≤ k 0 ≤ mq, 1 ≤ x ≤ r, 1 ≤ y ≤ s, 1 ≤ i ≤ n, 1 ≤ k ≤ p, 1 ≤ j ≤ m,

1 ≤ q ≤ l, i.e.

¨ C)mqp(i−1)+mq(k−1)+q(j−1)+l,s(x−1)+y = aij bkl cxy .

((A ⊗ B) ⊗
30 j. poltronieri

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 .
⊗

Observemos que no podemos escribir los productos A ⊗(B ¨ ¨ C como el

⊗ C) y (A ⊗ B) ⊗
∗ ∗
producto de tres matrices no triviales (vectores o constantes) A ⊗ B ⊗ C .∗

1.2. Algunos resultados importantes

Consideremos una matriz An×m y µp×1 , ρq×1 vectores, entonces
˙ µ) ⊗ ρ = A ⊗ µρ0
- (A ⊗

- (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.

Definición 4 Una matriz C es una matriz de Kronecker si existen matrices A y B no

˙ B o C = A⊗
triviales tales que C = A ⊗ B o C = A ⊗ ¨ B.

Vamos estudiar aquı́ algunos casos particularmente interesantes. Sea M = (M 1 , . . . , M t )

una matriz p × tq com Mp×qi , i = 1, . . . , t. Sea A
n×m una matriz, entonces A ⊗ M = (aij M )
es una matriz np × mtq.

2.1. Estudio del caso ⊗

1. La entrada (A ⊗ M )ijkρ = aij mkρ , donde la entada kρ de M se identifica por mkρ =
mskl , con ρ = (s − 1)q + l, 1 ≤ s ≤ t, 1 ≤ l ≤ q, o sea la entrada kρ de M se identifica
con la entrada kl de bloque s de M , 1 ≤ i ≤ n, 1 ≤ j ≤ m, 1 ≤ k ≤ p, 1 ≤ ρ ≤ tq.

Ası́ (A ⊗ M )α;β=p(i−1)+k;tq(j−1)+ρ=p(i−1)+k;tq(j−1)+q(s−1)+l .

Se puede estar tentado a considerar (A ⊗ M )ijks1l para identificar la representación

anterior de A ⊗ M , pero no debemos olvidar que A ⊗ M no es un producto de tres
matrices.
 productos de kronecker 31

Si A = a es n × 1, (a ⊗ M )i1kρ = ai mskl , np × tq. Sin embargo, sin ser a ⊗ M un

producto A∗ ⊗ M ∗ , np × tq se puede identificar la entrada iskl de a ⊗ M de la
siguiente manera (a ⊗ M )p(i−1)+k;q(s−1)+l = (a ⊗ M )i1kρ = ai mskl . No es correcto
escribir (a ⊗ M )iskl = ai mskl ya que a ⊗ M no es de la forma A∗ ⊗ M ∗ para A∗n×m ,
∗ . Sin embargo se puede determinar la entrada iskl de a ⊗ M , la cual es a ms ,
Mp×q i kl
pues

 
a1 M 1 · · · a1 M t
.. .. ..
a⊗M = . . . 
1
an M · · · an M t

que es np × tq, con 1 ≤ i ≤ n, 1 ≤ s ≤ t, 1 ≤ k ≤ p, 1 ≤ l ≤ q, por lo que

(a ⊗ M )iskl = ai mskl . Sabemos que la notación (a ⊗ M )iskl no es correcta pero en
algunas ocasiones es muy útil. Lo correcto es (a ⊗ M )i1kρ , donde ρ = (s − 1)q + l.

Si t = 1, ρ = l, i.e. (A ⊗ M )ijkl = aij m1kl , np × mq y además (a ⊗ M )i1kl = ai mkl ,

np × q.

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.

Si t = 1, ρ = j, (M ⊗ A)ijkl = m1ij akl , np × mq.

Si A = an×1 , l = 1, (M ⊗ a)iρk1 = ak miρ = ak msij = (M ⊗ a)iskj .

Si t = 1, (M ⊗ a)ijk1 = mij ak lo que indica el peligro de esta notación pues se

está tentado a escribir que si t = 1, (M ⊗ a)ijk1 = (M ⊗ a)i1kj que no tiene sentido.

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.

Si t = 1, ρ = k, (A0 ⊗ M 0 )ijkl = m1lk aji , mq × np.

(a0 ⊗ M 0 )1jρl = aj mslk = (a0 ⊗ M 0 )sjkl y si t = 1, (a0 ⊗ M 0 )1jk1 = mlk aj .

4. La matriz (M 0 ⊗ A0 ) es mtq × np i.e. (M 0 ⊗ A0 )ρjkl = mjρ alk = msji alk , con ρ =

(s − 1)q + i, 1 ≤ s ≤ t, 1 ≤ i ≤ q, 1 ≤ j ≤ p, 1 ≤ l ≤ n, 1 ≤ k ≤ m.

Si t = 1, ρ = i, (M 0 ⊗ A0 )ijkl = m1ij alk , mq × np.

(M 0 ⊗ a0 )ρj1l = al msji = (M 0 ⊗ a0 )sjil y si t = 1, (M 0 ⊗ a0 )ij1l = mij al .

Observamos que la notación (M 0 ⊗ a0 )sjil se presta a confusión pues en el caso t = 1,
se tiene s = 1 i.e. se está tentado a escribir (M 0 ⊗ a0 )1jil = (M 0 ⊗ a0 )ij1l , lo que no
tiene sentido.
32 j. poltronieri

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 )ijkl = ail m1kj , np × mq.

Si t = 1, ρ = j, i.e. (A ⊗

˙ M )iρk1 = ai mskj , y si t = 1, (a ⊗
(a ⊗ ˙ M )ijk1 = ai mkj np × q.

Observemos que (a ⊗ ˙ M ) es de tamaño np × tq y se podrı́a buscar la entrada iskj

por (a ⊗ M )iskj = ai mskj y si t = 1 se escribe (a ⊗
˙ ˙ M )i1kj = (a ⊗
˙ M )ijk1 que no tiene
sentido.

2. (M ⊗ ˙ A)ijkρ = miρ akj = msil akj , con ρ = (s − 1)q + j, 1 ≤ s ≤ t, 1 ≤ l ≤ q, 1 ≤ i ≤ p,

1 ≤ k ≤ n, 1 ≤ j ≤ m, np × mtq.
Ası́ (M ⊗˙ A)n(i−1)+k;tq(j−1)+ρ=n(i−1)+k;tq(j−1)+q(s−1)+l .

˙ A)ijkl = m1il akj , np × mq.

Si t = 1, ρ = l, (M ⊗

˙ a)i1kρ = ak miρ = ak msil . Si t = 1, (M ⊗

(M ⊗ ˙ a)i1kl = ak mil .

La entrada iskl de la matriz (M ⊗ ˙ a)iskl = ak msil = (M ⊗

˙ a) np × tq es (M ⊗ ˙ a)i1kρ
y si t = 1 las notaciones coinciden.

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 .

La entrada sjkl de la matriz (a0 ⊗ ˙ M 0 ) tq × np es (a0 ⊗

˙ M 0 )sjkl = al msjk y escribimos
(a0 ⊗
˙ M 0 )1jρl = (a0 ⊗
˙ M 0 )sjkl y si t = 1 las notaciones coinciden.

4. La matriz (M 0 ⊗ ˙ A0 ) es mtq × np por lo que (M 0 ⊗

˙ A0 )ρjkl = msli ajk , con ρ = (s −
1)q + i, 1 ≤ i ≤ q, 1 ≤ j ≤ n, 1 ≤ k ≤ m, 1 ≤ l ≤ p.
Ası́ (A0 ⊗
˙ M 0 )ρjkl=mq(s−1)+m(i−1)+k;p(j−1)+l .

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.

2. (M ⊗¨ A)ijρl = miρ ajl = msik ajl , con ρ = (s − 1)q + k, 1 ≤ s ≤ t, 1 ≤ k ≤ q, 1 ≤ i ≤ p,

1 ≤ j ≤ n, 1 ≤ l ≤ m, tpq × nm.
¨ A)ijkl = m1ik ajl , pq × nm.
Si t = 1, ρ = k, (M ⊗
¨ a)ijρ1 = aj msik . Si t = 1, (M ⊗
(M ⊗ ¨ a)ijk1 = aj mik .
¨ a)ijρ1 = aj msik y si t = 1, (M ⊗
(M ⊗ ¨ a)ijk1 = aj mik .

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 .

4. La matriz (M 0 ⊗˙ A0 ) es tpq × nm por lo que (M 0 ⊗ ˙ A0 )ρjkl = mski alj , con ρ = (s −

1)q + i, 1 ≤ i ≤ q, 1 ≤ s ≤ t, 1 ≤ k ≤ p, 1 ≤ l ≤ n, 1 ≤ j ≤ m.
Si t = 1, ρ = i, (M 0 ⊗
¨ A0 )ijkl = mki alj , pq × nm.

(M 0 ⊗
¨ a0 )ρ1kl = al mski = (M 0 ⊗
¨ a0 )sjil y si t = 1 (M 0 ⊗
¨ a0 )i1kl = al mki .

3. Cálculo de momentos de orden 3

Consideremos xn×1 , ym×1 , zp×1 , uq×1 vectores aleatorios y consideremos E(y 0 ⊗z⊗u0 ) =
E(y 0 ⊗ zu0 ) = E(y1 zu0 , . . . , ym zu0 ) = (M 1 , . . . , M m ) = Myu ·z , con M i = E(y zu0 ) , de
i p×q
· z j 0
dimensión p × mq. Recordemos que (Myu )1jkl = mkl = E(yj (zu )kl ). E(y ⊗ z ⊗ u) = 0
 0   1 
yz u1 N
. . ·z , con N i = E(u yz 0 )
E(yz ⊗ u) =  ..  =  ..  = Myu
0
i m×p de dimensión
0
yz uq N q

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

3. E(x ⊗ z ⊗ u0 ) = E(x ⊗ u0 ⊗ z) = M·xz

u , np × q

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

6. E(x0 ⊗ z ⊗ u) = E(z ⊗ x0 ⊗ u) = M·zu

x , pq × n.
x· = M 0 , n2 × n y E(x0 ⊗ x ⊗ x) =
Observemos que si x = z = u, E(x ⊗ x0 ⊗ x) = Mxx 3
·x 2
Mxx = M3 , n × n .

a) Consideremos la expresión siguiente

(x − µ) ⊗ (y − ν)(z − ρ)0 = (x − µ) ⊗ (yz 0 − νz 0 − yρ0 + νρ0 ) =

x ⊗ yz 0 − x ⊗ νz 0 − x ⊗ yρ0 + x ⊗ νρ0 − µ ⊗ yz 0 + µ ⊗ νz 0 + µ ⊗ yρ0 − µ ⊗ νρ0 =
x ⊗ y ⊗ z 0 − xz 0 ⊗
˙ ν − xy 0 ⊗
¨ ρ0 + x ⊗ νρ0 − µ ⊗ yz 0 + µ ⊗ νz 0 + µ ⊗ yρ0 − µ ⊗ νρ0 .
·z − M ⊗
E((x − µ) ⊗ (y − ν)(z − ρ)0 ) = Mxy 0 ¨ ρ0 − µ ⊗ M + 2µ ⊗ νρ0 .
xz ˙ ν − Myx ⊗ yz

Si x = y = z, E((x−µ)⊗(x−µ)(x−µ)0 ) = M3 −M2 ⊗ ˙ µ−M2 ⊗ ¨ µ0 −µ⊗M2 +2µ⊗µµ0 ,

0 0 ¨ µ0 −
˙ µ−Σ ⊗
donde M2 = Mxx = Σ + µµ i.e. E((x − µ) ⊗ (x − µ)(x − µ) ) = M3 − Σ ⊗
0
µ ⊗ Σ − µ ⊗ µµ .
b) Consideremos la expresión siguiente
¨ − ν)(z − ρ)0 = (x − µ)10 ⊗(y
(x − µ) ⊗(y ¨ − ν)(z − ρ)0 = (x − µ)(y − ν)0 ⊗ 1(z − ρ)0 =
x⊗¨ yz − x ⊗
0 ¨ νz − x ⊗
0 ¨ yρ + x ⊗
0 ¨ νρ − µ ⊗
0 ¨ yz 0 + µ ⊗
¨ νz 0 + µ ⊗
¨ yρ0 − µ ⊗
¨ νρ0 .

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

de orden 4, de las variables x, y, z, u. Ası́

E(xy 0 ⊗ zu0 − xy 0 ⊗ zθ0 − xy 0 ⊗ ξu0 + xy 0 ⊗ ξθ0 − µy 0 ⊗ zu0 + µy 0 ⊗ zθ0 + µy 0 ⊗ ξu0 − xy 0 ⊗ ξθ0
−xν 0 ⊗ zu0 + xν 0 ⊗ zθ0 + xν ⊗ zu0 − xν 0 ⊗ ξθ0 + µν 0 ⊗ zu0 − µν 0 ⊗ zθ0 − µν 0 ⊗ ξu0 + µν 0 ⊗ ξθ0 )
= Myuxz
− (Mxz·y )0 ⊗ θ0 − M ·x ⊗ ξ − µ ⊗ M ·z − ν 0 ⊗ (M ·u )0 + M ⊗ ξθ0 + µθ0 ⊗ ˙ Mzy
yu yu xz xy
+Mxu ⊗ ˙ ξν + µν ⊗ Mzu + µξ ⊗
0 0 0 ¨ Myu + Mxz ⊗¨ νθ − 3µν ⊗ ξθ .
0 0 0

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

3. E(xν 0 ⊗ zu0 ) = E(ν 0 ⊗ x ⊗ z ⊗ u0 ) = ν 0 ⊗ M·xz 0 ·u 0

u = ν ⊗ (Mxz )

4. E(xy 0 ⊗ zθ 0 ) = E(x ⊗ y 0 ⊗ z) ⊗ θ 0 = M·xz 0 ·y 0 0

y ⊗ θ = (Mxz ) ⊗ θ

5. E(xν 0 ⊗ zθ 0 ) = E(xz 0 ⊗
¨ νθ 0 ) = Mxz ⊗
¨ νθ 0

6. E(xν 0 ⊗ ξu0 ) = E(x ⊗ ν 0 ⊗ ξ ⊗ u0 ) = E(ν 0 ⊗ x ⊗ u0 ⊗ ξ) = ν 0 ⊗ Mxu ⊗ ξ = Mxu ⊗

˙ ξν 0

7. E(xy 0 ⊗ ξθ 0 ) = Mxy ⊗ ξθ 0

8. E(µy 0 ⊗ ξu0 ) = E(µξ 0 ⊗

¨ yu0 ) = µξ 0 ⊗
¨ Myu

9. E(µν 0 ⊗ zu0 ) = µν 0 ⊗ Mzu .

Si x = y = z = u,

E((x − µ)(x − µ)0 ⊗ (x − µ)(x − µ)0 ) = M̄4 = M4 − M30 ⊗ µ0 − M3 ⊗ µ − µ ⊗ M3 − µ0 ⊗ M30 +

Σ ⊗ µµ0 + µµ0 ⊗ Σ + Σ ⊗˙ µµ0 + µµ0 ⊗˙ Σ +Σ⊗ ¨ µµ0 + µµ0 ⊗
¨ Σ + 3µµ0 ⊗ µµ0

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 .

a) Consideremos la forma cuadrática

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

ΓAΓ0 − tr(A)Σ = XAX 0 + ΓAX 0 + XAΓ0 − Σtr(A) y Y B − ΓB = XB. Ası́

Pn Pn Pn
cov(Y AY 0 , Y B) = E(( α=1 β=1 aαβ Xα Xβ0 + α=1 να Xα0
Pn Pn
+ α=1
¨
Xα να0 − Σtr(A))0 ⊗( α=1 Xα b0α )0 )
P P
= E( αβγ
¨ bγ Xγ0 +
aαβ Xα Xβ0 ⊗ αβ
¨ bβ Xβ0
να Xα0 ⊗
P
+ αβ
¨ bβ Xβ0 + tr(A)Σ ⊗
Xα να0 ⊗ ¨ B 0 X 0)
P P
= αβγ aαβ E(Xα Xγ0 ⊗ Xβ0 ) ⊗ bγ + α να b0α ⊗ Σ
P
˙
+Σ ⊗ α να b0α

˙ ΓAB,
= M̄30 ⊗ a0 B + ΓAB ⊗ Σ + Σ ⊗

donde a0 = (a11 , . . . , ann ) es el vector de tamaño n × 1 con los elementos de la

diagonal de A.

b) Sean An×n , Bn×n matrices simétricas, entonces

Y AY 0 − ΓAΓ0 − tr(A)Σ = XAX 0 + ΓAX 0 + XAΓ0 − tr(A)Σ, ΓA = ν

Y BY 0 − ΓBΓ0 − tr(B)Σ = XBX 0 + ΓBX 0 + XBΓ0 − tr(B)Σ, ΓB = ρ
P P
cov(Y AY 0 , Y BY 0 ) = E( αβγδ aαβ bγδ Xα Xβ0 ⊗
¨ Xγ Xδ0 + αβγ aαβ Xα Xβ0 ⊗
¨ ργ Xγ0
P P
+ αβγ aαβ Xα Xβ0 ⊗ ¨ Xγ ρ0γ − αβ aαβ Xα Xβ0 ⊗¨ Σtr(B)
P P
+ αβγ να Xα0 ⊗ ¨ bγδ Xγ Xδ0 + αβ να Xα0 ⊗¨ ρβ Xβ0
P P
+ αβ να Xα0 ⊗ ¨ Xβ ρ0β + αγδ Xα να0 ⊗¨ bγδ Xγ Xδ0
P P
+ αβ Xα να0 ⊗ ¨ ρβ Xβ0 + αβ Xα να0 ⊗¨ Xβ ρ0β
P
−Σtr(A) ⊗ ¨ αβ bαβ Xα Xβ0 + tr(A)tr(B)Σ ⊗ ¨ Σ).
P P
- αβγδ aαβ bγδ E(Xα Xγ0 ⊗ Xβ Xδ0 ) = α6=β aαβ bαβ E(Xα Xα0 ⊗ Xβ Xβ0 )
P α=γ,β=δ
+ α6=γ aαα bγγ E(Xα Xγ0 ⊗ Xα Xγ0 )+
α=β,γ=δ
P P
α6=δ aαδ bδα E(Xα Xδ0 ⊗ Xδ Xα0 ) + 0
α aαα bαα E(Xα Xα ⊗ Xα Xα0 ) =
α=β,δ=γ
[tr(AB)Σ ⊗ Σ − a0 bΣ ⊗ Σ] + [tr(A)tr(B)Σ ⊗¨ Σ − a0 bΣ ⊗
¨ Σ] + [tr(A)tr(B)Σ ⊗
˙ Σ−
0 ˙ 0
a bΣ ⊗ Σ] + a bM̄4 =
a0 b[M̄4 − Σ ⊗ Σ − Σ ⊗
˙ Σ − Σ⊗
¨ Σ] + tr(AB)[Σ ⊗ Σ + Σ ⊗˙ Σ] + tr(A)tr(B)Σ ⊗
¨Σ
donde a = (a11 , . . . , ann ), b = (b11 , . . . , bnn ), es decir los elementos diagonales de A
y B respectivamente.
 productos de kronecker 37

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)+

M̄30 ⊗ a0 BΓ0 + a0 BΓ0 ⊗ M̄30 + M̄3 ⊗ ΓAb + ΓAb ⊗ M̄3 +

˙ Σ+Σ⊗
ΓABΓ0 ⊗ Σ + Σ ⊗ ΓABΓ0 + ΓABΓ0 ⊗ ˙ ΓABΓ0

Nota Si Yα es una variable aleatoria real, E(Y ) = µ, var(Y ) = σ 2 I

cov(Y 0 AY, Y 0 BY ) = a0 b(m̄4 − 3σ 4 ) + 2σ 4 tr(AB) + 2µ0 Abm̄3 + 2a0 Bµm̄3 + 4σ 2 µ0 ABµ.

c) Si asumimos que Y tiene esperanza Γ y covarianza V ⊗ Σ

˙ Σ −Σ⊗
cov(Y AY 0 , Y BY 0 ) = a0 b(M̄4 − Σ ⊗ Σ − Σ ⊗ ¨ Σ) + tr(AV BV )(Σ ⊗ Σ + Σ ⊗
˙ Σ)+

M̄30 ⊗ a0 BΓ0 + a0 BΓ0 ⊗ M̄30 + M̄3 ⊗ ΓAb + ΓAb ⊗ M̄3 +

˙ Σ+Σ⊗
ΓAV BΓ0 ⊗ Σ + Σ ⊗ ΓAV BΓ0 + ΓAV BΓ0 ⊗ ˙ ΓAV BΓ0

y si asumimos normalidad i.e. Y ∼ N (Γ, V ⊗ Σ), el término en a0 b es nulo al igual

que M̄3 .

- Si Y ∼ N (Γ, V ⊗ Σ), An×r , Bn×q matrices, entonces

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 C, Y D) = C 0 V D ⊗ Σ
- cov(KY A, HY B) = A0 V B ⊗ KΣH 0 .
cov(Y B, AY 0 ) = (AV B)0 ⊗
˙ Σ
cov(EY 0 , F Y 0 ) = Σ ⊗ EV F 0 .

- Calculemos la covarianza entre dos formas cuadráticas mixtas.

[t]lA = Y AY 0 − ΓAΓ0 − Σtr(AV )

Xn Xn
= [aαβ Xα Xβ0 + δαβ να Xβ0 + δαβ Xα νβ0 − δαβ (AV )αβ Σ]
α=1 β=1

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

donde ν = (ν1 , . . . , νn ) = ΓA, Xα = Yα − µα , λ = (λ1 , . . . , λp ) = KΓ0 , X s = Y s − πs ,

Γ = (µ1 , . . . , µn ), Γ0 = (π1 , . . . , πp ).
P
¨ K) =
E(A ⊗ αβst
¨ X s X t0 + δαβ kst να Xβ0 ⊗
E[aαβ kst Xα Xβ ⊗ ¨ X s X t0 + δαβ kst Xα νβ0 ⊗
¨ X s X t0

−δαβ (AV )αβ kst Σ ⊗ ¨ λs X t0 + δαβ δst να Xβ0 ⊗

¨ X s X t0 + aαβ δst Xα Xβ0 ⊗ ¨ λs X t0

¨ λs X t0 + aαβ δst Xα Xβ0 ⊗

+δαβ δst Xα νβ0 ⊗ ¨ X s λ0t + δαβ δst να Xβ0 ⊗
¨ X s λ0t

¨ X s λ0t − aαβ δst (ΣK)st Xα Xβ0 ⊗

+δαβ δst Xα νβ0 ⊗ ¨ V + δαβ δst (AV )αβ (ΣK)st Σ ⊗
¨ V]

pues la esperanza de los términos de orden uno es nula.

P 0 ¨ s t0
P s0 t0
- αβst aαβ kst E(Xα Xβ ⊗ X X ) =
¨
αβst aαβ kst E(Xα X ⊗Xβ X ) = 2ΣKΣ ⊗ V AV +
tr(AV )tr(ΣK)Σ ⊗ ¨ V +M ⊗∗ ¨ DA − 2ΣKΣ ⊗ ¨ V DA V − tr(KΣ)Σ ⊗ ¨ DAV V , donde DA
es la matriz diagonal que tiene los elementos aii en la diagonal,
P la entrada M̄iskt =
E(xiα xsα xkα xtα ) de M̄ p2 × p2 , de modo que Mik ∗ = is ik
st st M̄kt = tr(K M̄ ),
k
 
M̄ 11 ··· M̄ 1p
. .. .. 
M̄ =  .. . . .
M̄ p1 ··· M̄ pp

En efecto, consideremos la entrada ijkl de E(Xα X s0 ⊗ Xβ X t0 ) i.e.

P P P
αβst aαβ kst E(Xiα Xsj Xkβ Xtl ) = αβst aαβ kst vαj σis vβl σkt + αβst aαβ kst vαβ σik vjl σst
P P P
+ αβst aαβ kst vαl σit vjβ σsk + st ajj δjl kst M̄iskl − αst aαα kst vαj σis vαl σkt
P P
− αst aαj kst vαj σik vjl σst − αst aαα kst vαl σit vjα σsk
P
= (ΣKΣ)ik (V AV )jl + tr(AV )tr(ΣK)σik vjl + (ΣKΣ)ik (V AV )jl + ajj δjl st kst M̄iskt

−(V DA V )jl (ΣKΣ)ik − (AV )jj vjl tr(KΣ)σik − (V AV )jl (ΣKΣ)ik

 productos de kronecker 39

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 ) .

E(Y AY 0 ) = ΓAΓ0 + Σtr(AV ) E(Y 0 HY ) = Γ0 HΓ + V tr(ΣH)

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

cov(Y AY 0 , Y BY 0 ) = tr(AV BV )(Σ ⊗ Σ + Σ ⊗

˙ Σ)+ cov(Y 0 HY, Y 0 KY ) = tr(HΣKΣ)(V ⊗ V + V ⊗
˙ V )+
˙ ΓAV BΓ0 + ΓAV BΓ0 ⊗ Σ+
Σ ⊗ ΓAV BΓ0 + Σ ⊗ ˙ Γ0 HΣKΓ + Γ0 HΣKΓ ⊗ V +
V ⊗ Γ0 HΣKΓ + V ⊗
ΓAV BΓ0 ˙ Σ+
⊗ a0 b(M̄4 ˙ Σ− Σ⊗
− Σ⊗ Σ −Σ⊗ ¨ Σ)+ ˙ V + h0 k(N̄4 − V ⊗ V − V ⊗
Γ0 HΣKΓ ⊗ ˙ V −V ⊗
¨ V )+

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

cov(KY A, HY B) = A0 V B ⊗ KΣH 0 cov(AY 0 K, BY 0 H) = KΣH 0 ⊗ A0 V B

Tabla 1
40 j. poltronieri

Referencias
[1] Anderson, T.W. (1958) An Introduction to Multivariate Statistical Analysis. John
Wiley & Sons, New York.

[2] Barra, J.R. (1971) Notions Fondamentales de Statistique Mathématique. Dunod,

Paris.

[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.

[5] Poltronieri, J. (1987) “Algunas propiedades útiles en estadı́stica”, Uniciencia, 4(1,2):

59–67.

[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.

[7] Poltronieri, J. (1988) “Sobre la covarianza de formas cuadráticas y formas lineales”,

Memorias IV Simposio de Métodos Matemáticos Aplicados a las Ciencias, B. Montero
& J. Poltronieri (eds.), Editorial de la Universidad de Costa Rica: 174–180.

[8] Poltronieri, J. (1995) “Contribución al estudio de formas cuadráticas en estadı́stica

multivariada”, Memorias Simposio de Métodos Matemáticos Aplicados a las Ciencias,
Inst. Tecnol. de C.R., J. Trejos (ed.): 133–142.

[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.