Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIÓN
1. Álgebra lineal y vectores aleatorios
2. Distribución normal multivariante
CLASIFICACIÓN
6. Análisis discriminante
7. Análisis de conglomerados
1
1. ÁLGEBRA LINEAL
Y VECTORES ALEATORIOS
Vectores
Ortogonalización de Gram-Schmidt
Matrices ortogonales
Autovalores y autovectores
Formas cuadráticas
Vectores y matrices aleatorias
Matriz de datos
2
EJEMPLOS 3
Vectores
Objeto_n x xn 2 xn 3 xnp
n1
Variable_1 Variable_p
ALGEBRA LINEAL 4
Vectores
Dados
x1 y1
x y
x y
p p
se define:
1. Suma
x1 y1
x y
x y
p p
ALGEBRA LINEAL 5
Vectores
ALGEBRA LINEAL 6
Vectores
Propiedades
x, ay bz a x, y b x, z
x, y y, x x x
x, x 0 y x, x 0 x 0
4. Norma de un vector
p
x x ' x ( x ' x )1 / 2 i
x 2
i 1
ALGEBRA LINEAL 7
Vectores
ALGEBRA LINEAL 8
Vectores
Desigualdad de Cauchy-Schwarz
x, y x y
Consecuencia:
x y x, y x y
x, y
1 1
x y
1 cos 1
ALGEBRA LINEAL 9
Vectores
7. Ortogonalidad
8. Ortonormalidad
ALGEBRA LINEAL 10
Vectores
Ejemplo
1 1
u 0 v 0
2 3
(i ) u , v
(ii ) u
(iii ) u v ?
(iv ) d (u , v )
(v ) cos
ALGEBRA LINEAL 11
Vectores
c u
i 1
i i 0 c1 c 2 c n =0
ALGEBRA LINEAL 12
Vectores
ALGEBRA LINEAL 13
Vectores
Proyección de x sobre y
x, y x, y
pry( x) y 2
y
y, y y
ALGEBRA LINEAL 14
Vectores
Ejemplo
1 2
x 0 y 1
3 1
pry ( x) ?
prx ( y ) ?
ALGEBRA LINEAL 15
Ortogonalización de Gram-Schmidt
V
p
; V subespacio vectorial de p
si V es espacio vectorial,
es decir, si u, v V y a, b ; au bv V
Dado A= u1 , u 2 ,, u n
n
span A ci ui : ci
i 1
Propiedades
(i ) A span A
(ii ) span ( A) es un subespacio
ALGEBRA LINEAL 16
Ortogonalización de Gram-Schmidt
Proposición v ui i 1,, n
v span u1,, un
Demostración
u span u1 , , un
n n
u, v v, ci ui ci v, ui 0
i 1 i 1
ALGEBRA LINEAL 17
Ortogonalización de Gram-Schmidt
Entonces:
ALGEBRA LINEAL 19
Matrices ortogonales
ALGEBRA LINEAL 20
Matrices ortogonales
Propiedades
x, y p; Q matriz
ortogonal
(i ) Qx , Qy x, y
(ii ) x y Qx Qy
(iii ) Qx x
y Qx
Qy
x
ALGEBRA LINEAL 21
Autovalores y autovectores
Anxn; autovalor de A
x 0 tal que Ax x
x es autovector asociado a
x 0, Ax x 0
x
x 0, Ax Ix 0
x 0, ( A I ) x 0
A I 0
Polinomio
característico
Ecuación
característica
ALGEBRA LINEAL 22
Autovalores y autovectores
Ejemplo
Autovalores y autovectores de
1 5
A
5 1
ALGEBRA LINEAL 23
Autovalores y autovectores
Propiedades
(i ) 1 2 n trA
1 2 , x1 con autovalor 1
(ii ) x1 y x2 son l.i.
x2 con autovalor 2
Diagonalización de matrices
Anxn simétrica A A' aij a ji
a11 a12 a1n
a12
Anxn
a ann
1n
ALGEBRA LINEAL 24
Autovalores y autovectores:
diagonalización
Si A simétrica entonces existen autovalores reales
1,, n con autovectores asociados e1 ,, en
ortonormales tales que
1 0 e1 '
e1 e2 en 2 e2 '
Anxn
0 n
en '
P D P’
A=PDP’, siendo D diagonal y P ortogonal
(Toda matriz simétrica es diagonalizable)
ALGEBRA LINEAL 25
Autovalores y autovectores:
diagonalización
Ejemplo
Diagonalizar
3 2
A
2 2
ALGEBRA LINEAL 26
Autovalores y autovectores:
representación espectral
ALGEBRA LINEAL 27
Autovalores y autovectores:
representación espectral
Ejemplo
Descomposición espectral de
9 2
A
2 6
ALGEBRA LINEAL 28
Formas cuadráticas
x1
Anxn simétrica; x ,
n
x
f(x)=x’ A x es una forma cuadrática x
n
a11 a12 a1n x1
a21 x2
f ( x) x1 x2 xn
a x
n1 a nn n
Ejemplo
Expresar matricialmente la forma cuadrática
1 2 x1
f ( x1 , x2 ) x1 x2
2 2 x2
ALGEBRA LINEAL 30
Formas cuadráticas
1 0 y1 n
f ( y) y' Dy y1 yn i i ,
y 2
0 y i 1
se tiene n n
n
f ( y ) i yi2 1 y12 n yn2 .
i 1
ALGEBRA LINEAL 31
Formas cuadráticas
y1 x1 y2
c
c
e1 e2 λ2
λ1
x2
ALGEBRA LINEAL 32
Formas cuadráticas
Ejemplo
Representar, hallar los ejes y obtener la expresión
reducida de
13 5 x1
x1 x2 9
5 13 x2
ALGEBRA LINEAL 33
Formas cuadráticas
Sea f(x) = x’ A x
f es definida positiva si x 0, f ( x) 0
f es semidefinida positiva si x n, f ( x) 0
f es semidefinida negativa si x n, f ( x) 0
f es definida negativa si x 0, f ( x) 0
f es indefinida si
x1 n
y x2 n
tal que f ( x1 ) 0 y f ( x2 ) 0
ALGEBRA LINEAL 34
Formas cuadráticas
ALGEBRA LINEAL 35
Raíz cuadrada de una matriz
Raíz cuadrada de una matriz:
A semidefinida positiva;
B es raíz de A si A=BB; B=A1/2 ; A=A1/2 A1/2
ALGEBRA LINEAL 36
Formas cuadráticas
Raíz cuadrada de una matriz:
1 0
Sea A P P'
0
n
1 0
A1/ 2 P P'
n
Nota:
1 / 1
0
n
0
1
P' ei ei '
1
A P n
0
1 / i 1 i
n i ei ei '
i 1
ALGEBRA LINEAL 37
Descomposición singular de una matriz
Dada la matriz Amxn, AA’ es cuadrada y
simétrica; por tanto, diagonalizable.
i es un valor singular de A, si i es autovalor de AA’.
2
Descomposición singular
Sea A una matriz mxn; 1,, k valores singulares de A.
Entonces existen matrices ortogonales U y V tales que:
1 0
0
A U V
0 k
0 0
ALGEBRA LINEAL 38
Vectores y matrices aleatorias
X i variable aleatoria
i E( X i )
ii i2 V ( X i ) E[ X i E ( X i )]2
X1 X 11 X 12 X 1n
X ;
X X
p m1 X m2 X mn
Vector Matriz
aleatorio aleatoria
31
Vectores y matrices aleatorias
Se llama vector de medias a:
1 E( X1)
EX
E( X )
p p
y covarianza entre dos variables a
ij Cov( X i , X j ) E[( X i EX i )( X j EX j )].
Se define la matriz de covarianzas de X como:
11 1p
VX X
pp
p1
40
Vectores y matrices aleatorias
X1 c1
X , c constantes ; EX , VX . Entonces :
X c
p p
(i ) E (c' X ) c'
(ii ) V (c' X ) c' c
Cmxp matriz de constantes . Entonces :
(i ) E (CX ) CEX .
(ii ) V (CX ) CC '.
Vectores y matrices aleatorias
Ejemplo
Y1 2 X 2 X 1
X1
X Y2 X 1 X 2
X2 Y X 2 X
3 2 1
1 6 2
0 2 4
ALGEBRA LINEAL 42
Vectores y matrices aleatorias
Propiedades
Sea Xmxn y sean Akxm y Bnxr matrices de constantes.
Entonces:
E ( X 11 ) E ( X 1n )
(i ) E ( AX ) AE ( X ) A
E( X ) E( X )
m1 mn
(ii ) E ( AXB) AE ( X ) B
(iii ) Ymxn E ( X Y ) E ( X ) E (Y )
43
Vectores y matrices aleatorias
Matriz de correlaciones
1 r12 r1 p
r21 1 r2 p ij
, donde rij ;
ii jj
r rp 2 1
p1
en forma matricial: V
1/ 2
V 1/ 2 ,
donde V es la matriz de varianzas:
11 0 12 0
V
0
pp 0 p2
44
Vectores y matrices aleatorias
Partición de un vector aleatorio X1
X1 X (1)
Sea X ; X
r
X
X X r 1 X ( 2 )
p
X
p
(1)
Vector de medias: ( 2 )
11 12
Matriz de covarianzas: , donde
21 22
11 V ( X )
(1)
22 V ( X ( 2) )
12 '21 Cov( X (1) , X ( 2 ) ) Cov( X i , X j )
(1) ( 2)
45
Matriz de datos
Objeto_n x xn 2 xn 3 xnp
n1
n n
xi1
Variable_1 xip
Variable_p
x1 i 1
xp i 1
n n
46
Matriz de datos
x1
Vector de medias: x
x
p s11 s1 p
Matriz de varianzas y covarianzas: S n
s s pp
n
donde sij ( xki xi )( xkj x j ) / n
k 1
p1
Matriz de correlaciones: R Vn 1/ 2 Sn Vn 1/ 2 , donde
s11 0
Vn
0 s pp
47
EJEMPLOS 48
EJEMPLOS 49
EJEMPLOS 50
EJEMPLOS 51
EJEMPLOS 52
EJEMPLOS 53
EJEMPLOS 54
Matriz de datos
Proposición
X1
Dado X ; X 1 , X 2 ,, X n i.i.d . ;
X
p n
X i
X i 1
n
(i ) E( X )
(ii ) V ( X ) / n
n 1
(iii ) E ( S n )
n
55
Matriz de datos
p=2 p=3 x3
x2
x2
x1
x1
56
Matriz de datos
Y1 Y2 Y3 Y4
57
Matriz de datos
1
Vector de unos: 1 nx1
n unos
1
Propiedades
58
Matriz de datos
yi ,1
x
j 1
ij xi
pr1 ( yi ) 1 1 xi 1
1,1 n x
i
yi
1
xi 1
59
Matriz de datos
60
Matriz de datos
Entonces:
n
d i , d j ( xki xi )( xkj x j ) nsij
k 1
di , d j nsij sij
cos( d i , d j ) rij
di d j nsii ns jj sii s jj
61
Matriz de datos
X1 1 11 1 p
X ; E( X ) ;
X
p p p1 pp
62
Matriz de datos
63
Matriz de datos
Interpretación geométrica
Área =
p
Varianza generalizada en
Volumen 2
Sn
np
64
EJEMPLOS 65
EJEMPLOS 66
EJEMPLOS 67
Matriz de datos
Ejemplo
2 0 1
X1
3 1 0
X X X2
2 1 0 X
3
4 0
1
c' X 2 X 1 3 X 2
b' X X 1 2 X 3
ALGEBRA LINEAL 69
EJEMPLOS 70
EJEMPLOS 71
EJEMPLOS 72
EJEMPLOS 73
EJEMPLOS 74
EJEMPLOS 75
EJEMPLOS 76