Matriz Aleatoria Normal

Teorı́a y Propiedades

Casahuaman y Donayre

Escuela Profesional de Ingenierı́a Estadı́stica

Universidad Nacional de Ingenierı́a

2020
Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 1 / 30
Temario

1 Matriz Normal
Matriz Aleatoria Normal
Propiedades de la Matriz Aleatoria Normal
Matriz Normal
Transformación Lineal
Teorema de Independencia

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 2 / 30

 Matriz Normal Matriz Aleatoria Normal

1 Matriz Normal
Matriz Aleatoria Normal
Propiedades de la Matriz Aleatoria Normal
Matriz Normal
Transformación Lineal
Teorema de Independencia

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 3 / 30

 Matriz Normal Matriz Aleatoria Normal

Matriz Aleatoria Normal

Definición:
Sea X ∈ Rn×p una matriz aleatoria. X poseerá una distribución normal
matricial, X ∼ MN n×p (M, U, V ), si:

exp {− 12 tr (V −1 (X − M )′ U −1 (X − M ))}
p(X) = (1)
(2π)np/2 ∣V ∣n/2 ∣U ∣p/2

donde:
Mn×p = E(X)
U ∈ Rn×n es la matriz de covarianza entre filas de X.
V ∈ Rp×p es la matriz de covarianza entre columnas de X.
U y V son matrices definidas positivas.

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 4 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

1 Matriz Normal
Matriz Aleatoria Normal
Propiedades de la Matriz Aleatoria Normal
Matriz Normal
Transformación Lineal
Teorema de Independencia

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 5 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

Función Generatriz de Momentos

Definición:
La función generatriz de momentos de una matriz aleatoria X ∈ Rm×n se
define como
MX (Z) = E [exp {tr(ZX′ )}] . (2)
Si X ∼ MN n×p (M, U, V ), entonces

MX (Z) = exp {tr (Z ′ M + 21 Z ′ U ZV )} . (3)

Teorema:
X ∼ MN n×p (M, U, V ) ⇐⇒ V ec(X) ∼ Nnp (V ec(M ), V ⊗ U ) (4)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 6 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

Demostración

Propiedades a utilizar:
V ec(AXB) = (B ′ ⊗ A)V ec(X)
tr(AB) = V ec(A′ )′ V ec(B)
Como X ∼ MN n×p (M, U, V ), entonces

MX (Z) = E (etr(ZX ) ) = E (etr(X Z) ) = E (eV ec(X) V ec(Z) )

′ ′ ′

− tr(V −1 (X−M )′ U −1 (X−M ))

1
V ec(X)′ V ec(Z) e 2
MX (Z) = ∫ e dX
Rn×p (2π)
np/2 n/2
∣V ∣ ∣U ∣
p/2
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
∣V ⊗ U ∣1/2

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 7 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

Demostración
Trabajamos con el exponente de la densidad

T = tr (V −1 (X − M )′ U −1 (X − M ))
= tr ((X − M )′ U −1 (X − M )V −1 )
= V ec(X − M )′ V ec(U −1 (X − M )V −1 )
= [V ec(X) − V ec(M )]′ (V −1 ⊗ U −1 )V ec(X − M )
= [V ec(X) − V ec(M )]′ (V −1 ⊗ U −1 )[V ec(X) − V ec(M )]

Por lo que, la función generatriz de momentos queda como

MX (Z) = ∫ eV ec(X) V ec(Z) ×

′

Rn×p

e− 2 [V ec(X)−V ec(M )] (V ⊗U )[V ec(X)−V ec(M )]

1 ′ −1 −1

dX (5)
(2π)np/2 ∣V ⊗ U ∣1/2

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 8 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

Demostración

De (5) tenemos que

MX (Z) = MV ec(X) (V ec(Z)) (6)

donde
V ec(X) ∼ Nnp (V ec(M ), V ⊗ U ). (7)
Finalmente

MX (Z) = eV ec(Z) V ec(M )+ 2 V ec(Z) V ec(V ⊗U )V ec(Z)

′ 1 ′
(8)

= etr(Z M )+ 2 V ec(Z) V ec(U ZV )

′ 1 ′
(9)

etr(Z M )+ 2 tr(Z U ZV )
1
=
′ ′
(10)
′ ′
= exp {tr(Z M ) + 1
2 tr(Z U ZV )} (11)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 9 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

Transformación afı́n

Teorema:
Sea X ∼ MN n×p (M, U, V ), W ∈ Rm×q , A ∈ Rm×n y B ∈ Rp×q entonces

Y = W + AXB ∼ MN m×q (W + AM B, AU A′ , B ′ V B). (12)

Caso particular:
Si Z ∼ MN n×p (0, In , Ip ), es decir, Z sigue distribución normal estándar
matricial, entonces

Xn×p = M + AZB ∼ MN n×p (M, AA′ , B ′ B). (13)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 10 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

Demostración

Tenemos que
X ∼ MN n×p (M, U, V ), entonces V ec(X) ∼ Nnp (V ec(M ), V ⊗ U )
Ym×q = W + AXB, entonces V ec(Y) = V ec(W ) + (B ′ ⊗ A)V ec(X)
Como V ec(Y) es una transformación afı́n de V ec(X), entonces

V ec(Y) ∼ Nmq (µ∗ , Σ∗ ) (14)

tal que el vector de medias es

µ∗ = E(V ec(Y)) = V ec(W ) + (B ′ ⊗ A)E(V ec(X))

= V ec(W ) + (B ′ ⊗ A)V ec(M )
= V ec(W ) + V ec(AM B) = V ec(W + AM B)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 11 / 30

 Matriz Normal Propiedades de la Matriz Aleatoria Normal

Demostración

y la matriz de covarianza es

Σ∗ = Cov(V ec(Y)) = (B ′ ⊗ A)Cov(V ec(X))(B ⊗ A′ )

= (B ′ ⊗ A)(V ⊗ U )(B ⊗ A′ )
= (B ′ V B ⊗ AU A′ ).

Entonces

V ec(Y) ∼ Nmq (V ec(W + AM B), (B ′ V B ⊗ AU A′ )) (15)

Por lo tanto, por (4)

Y ∼ MN m×q (W + AM B, AU A′ , B ′ V B). (16)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 12 / 30

 Matriz Normal Matriz Normal

1 Matriz Normal
Matriz Aleatoria Normal
Propiedades de la Matriz Aleatoria Normal
Matriz Normal
Transformación Lineal
Teorema de Independencia

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 13 / 30

 Matriz Normal Matriz Normal

Matriz Normal

Definición:
Sea x1 , x2 , ..., xn una muestra aleatoria simple de n perfiles p-variados de
una población con distribución Np (µ, Σ). Entonces

X = [x1 ∣x2 ∣⋯∣xn ]′ ∼ MN n×p (1n ⊗ µ′ , In , Σ). (17)

Diremos que X proviene de una muestra normal multivariada y la

llamaremos matriz normal simbolizada como X ∼ Np (µ, Σ).

Teoremas:
X ∼ Np (µ, Σ) ⇐⇒ V ec(X) ∼ Nnp (µ ⊗ 1n , Σ ⊗ In ) (18)
X ∼ Np (µ, Σ) Ô⇒ V ec(X′ ) ∼ Nnp (1n ⊗ µ, In ⊗ Σ) (19)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 14 / 30

 Matriz Normal Transformación Lineal

1 Matriz Normal
Matriz Aleatoria Normal
Propiedades de la Matriz Aleatoria Normal
Matriz Normal
Transformación Lineal
Teorema de Independencia

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 15 / 30

 Matriz Normal Transformación Lineal

Tranformación Lineal

Definición:
Sea X ∼ Np (µ, Σ) y Ym×q = AXB, entonces, Y es una matriz normal si y
solo si:
a) A1n = α1m para algún escalar α, o B ′ µ = 0, y
b) AA′ = βIm para algún escalar β, o B ′ ΣB = 0.
Si se cumplen las condiciones (a) y (b), entonces

Y ∼ Nmq (αB ′ µ, βB ′ ΣB) (20)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 16 / 30

 Matriz Normal Transformación Lineal

Transformación Lineal

Condición Suficiente:
Hipótesis:
X ∼ Nnp (µ, Σ) y Y = AXB es normal
Tesis:
a) A1n = α1m para algún escalar α, ó B ′ µ = 0, y
b) AA′ = βIm para algún escalar β, ó B ′ ΣB = 0.

Prueba
Sabemos que:
V ec(X) ∼ Nnp (µ ⊗ 1n , Σ ⊗ In )
V ec(Y) = V ec(AXB) = (B ′ ⊗ A)V ec(X)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 17 / 30

 Matriz Normal Transformación Lineal

Transformación Lineal

Continuación:
Por lo que V ec(Y) ∼ Nmp (µ∗ , Σ∗ ) tal que la media es:

E(V ec(Y)) = (B ′ ⊗ A)E(V ec(X))

E(V ec(Y)) = (B ′ ⊗ A)(µ ⊗ 1n )
E(V ec(Y)) = (B ′ µ ⊗ A1n ) = µ∗

y la matriz de covarianza:

Cov(V ec(Y)) = (B ′ ⊗ A)Cov(V ec(X))(B ⊗ A′ )

Cov(V ec(Y)) = (B ′ ⊗ A)(Σ ⊗ In )(B ⊗ A′ )
Cov(V ec(Y)) = (B ′ ΣB ⊗ AA′ ) = Σ∗

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 18 / 30

 Matriz Normal Transformación Lineal

Transformación Lineal

Continuación:
Por hipotesis Y = AXB es una matriz normal y es independiente por filas,
como XB es independiente por filas (combinación lineal de las filas de X),
la premultiplicación por A no deberı́a incorporar ninguna dependencia.
Esto se cumple si A = αIn , luego
A1n = α1n
AA = α2 In = βIn
′

Entonces, tenemos que

V ec(Y) ∼ Nmq (B ′ µ ⊗ α1m , B ′ ΣB ⊗ βIm )

Por lo tanto
Y ∼ Nq (αB ′ µ, βB ′ Σ)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 19 / 30

 Matriz Normal Transformación Lineal

Transformación Lineal

Condición Necesaria:
Hipótesis:
X ∼ Np (µ, Σ)
Ym×q = AXB
a) A1n = α1m para algún escalar α, ó B ′ µ = 0, y
b) AA′ = βIm para algún escalar β, ó B ′ ΣB = 0
Tesis:
Y es una matriz normal

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 20 / 30

 Matriz Normal Transformación Lineal

Transformación Lineal

Prueba:
Por lo demostrado anteriormente, sabemos que

V ec(Y) ∼ Nmq (B ′ µ ⊗ A1n , B ′ ΣB ⊗ AA′ ) (21)

Por hipotesis y la ecuación (21)

V ec(Y) ∼ Nmq (B ′ µ ⊗ α1m , B ′ ΣB ⊗ βIm )

Finalmente, por (4)

∴ Y ∼ Nq (αB ′ µ, βB ′ ΣB)

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 21 / 30

 Matriz Normal Teorema de Independencia

1 Matriz Normal
Matriz Aleatoria Normal
Propiedades de la Matriz Aleatoria Normal
Matriz Normal
Transformación Lineal
Teorema de Independencia

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 22 / 30

 Matriz Normal Teorema de Independencia

Teorema de Independencia

Teorema de Independencia:
Sea X una matriz de datos proveniente de una Np (µ, Σ), si Y = AXB y
Z = CXD entonces los elementos de Y son independientes de los
elementos de Z si y sólo si:
a) B ′ ΣD = 0 ó
b) AC ′ = 0

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 23 / 30

 Matriz Normal Teorema de Independencia

Teorema de Independencia

Condición suficiente
Hipótesis:
X ∼ Nnp (µ, Σ)
Y = AXB y Z = CXD
Y es independiente de Z
Tesis:
a) B ′ ΣD = 0 o
b) AC ′ = 0

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 24 / 30

 Matriz Normal Teorema de Independencia

Teorema de Independencia

Prueba:
Vectorizando Y y Z tenemos que:
V ec(Y) = V ec(AXB) = (B ′ ⊗ A)V ec(X)
V ec(Z) = V ec(CXD) = (D′ ⊗ C)V ec(X)
Por hipótesis Cov(V ec(Y), V ec(Z)) = 0, entonces

Cov((B ′ ⊗ A)V ec(X), (D′ ⊗ C)V ec(X)) = 0

(B ′ ⊗ A)Cov(V ec(X))(D′ ⊗ C)′ = 0
(B ′ ⊗ A)(Σ ⊗ In )(D′ ⊗ C)′ = 0
(B ′ ΣD ⊗ AC ′ ) = 0

Por lo tanto
∴ B ′ ΣD = 0 o AC ′ = 0

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 25 / 30

 Matriz Normal Teorema de Independencia

Teorema de Independencia

Condición necesaria:
Hipótesis:
X ∼ Np (µ, Σ)
Y = AXB y Z = CXD
a) B ′ ΣD = 0 o
b) AC ′ = 0
Tesis:
Y es independiente de Z

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 26 / 30

 Matriz Normal Teorema de Independencia

Teorema de Independencia

Prueba:
V ec(Y) (B ′ ⊗ A)V ec(X) B′ ⊗ A
T=[ ]=[ ′ ]=[ ′ ] V ec(X)
V ec(Z) (D ⊗ C)V ec(X) D ⊗C
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
M

Vemos que T es una tranformación lineal de V ec(X) que posee

distribución normal multivariada, entonces

T ∼ N2mq (µ∗ , Σ∗ )

tal que el vector de medias µ∗

B′ ⊗ A B′ ⊗ A B ′ µ ⊗ A1n
µ∗ = [ ] = [ ] (µ ⊗ ) = [ ]
D′ ⊗ C D′ ⊗ C D′ µ ⊗ A1n
E(V ec(X)) 1 n

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 27 / 30

 Matriz Normal Teorema de Independencia

Teorema de Independencia

Continuación:
Y la matriz de covarianza Σ∗ es
B′ ⊗ A
Cov(T) = [ ′ ] Cov(V ec(X)) [B ⊗ A′ D ⊗ A′ ] = Σ∗
D ⊗A
B′ ⊗ A
=[ ′ ] (Σ ⊗ In ) [B ⊗ A′ D ⊗ A′ ]
D ⊗A
B ′ ΣB ⊗ AA′ B ′ ΣD ⊗ AC ′
=[ ′ ]
D ΣB ⊗ CA′ D′ ΣD ⊗ CC ′

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 28 / 30

 Matriz Normal Teorema de Independencia

Teorema de Independencia

Continuación:
Por hipótesis B ′ ΣD = 0 ó AC ′ = 0, entonces:

B ′ ΣB ⊗ AA′
Cov(T) = Σ∗ = [
0
]
0 B ′ ΣB ⊗ AA′

Entonces tenemos que

V ec(Y) y V ec(Z) son independientes.

Por lo tanto
∴ Y y Z son independientes.

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 29 / 30

 Matriz Normal Teorema de Independencia

Casahuaman y Donayre (UNI) Matriz Aleatoria Normal 2020 30 / 30