2. 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
11. ALGEBRA LINEAL
Vectores
Un conjunto de vectores { }nuuu ,,, 21
es linealmente independiente si
n
n
i
ii cccuc ===⇒=∑=
21
1
0
(la única manera de construir una combinación lineal
igual a 0 es que todos los coeficientes sean 0)
11
=0
15. ALGEBRA LINEAL
Ortogonalización de Gram-Schmidt
V subespacio vectorial de
p
ℜ
si V es espacio vectorial,
;,, ℜ∈∀∈∀ bayVvues decir, si Vbvau ∈+
Dado A =
ℜ∈≡ ∑=
n
i
iii cucAspan
1
:
{ }nuuu ,,, 21
Propiedades
subespaciounesAspanii
AspanAi
)()(
)( ⊂
15
;⊂ p
V
16. ALGEBRA LINEAL
Ortogonalización de Gram-Schmidt
Proposición
{ }n
i
uuspanv
niuv
,,
,,1
1
⊥⇒
⇒=⊥
{ }
0,,,
,,
11
1
===
∈
∑∑ ==
i
n
i
i
n
i
ii
n
uvcucvvu
uuspanu
Demostración
16
17. ALGEBRA LINEAL
Ortogonalización de Gram-Schmidt
1
11
1
1
11
1
2
22
23
1
11
13
33
1
11
12
22
11
,
,
,
,
,
,
,
,
,
,
−
−−
−
−−−=
−−=
−=
=
n
nn
nnn
nn u
uu
ux
u
uu
ux
xu
u
uu
ux
u
uu
ux
xu
u
uu
ux
xu
xu
Sean
Dado un conjunto de vectores l.i., se puede
construir otro conjunto ortogonal que genere el
mismo espacio.
linealmente independientes{ }nxxx ,,, 21
17
19. ALGEBRA LINEAL
Matrices ortogonales
Matrices ortogonales
Anxn; inversa A-1
: A A-1
= A-1
A = I.
A’ transpuesta de A.
Qnxn es ortogonal si Q’Q = QQ’ = I.
(las columnas de una matriz ortogonal son vectores ortonormales)
=
mnmm
n
mxn
aaa
aaa
A
21
11211
19
28. ALGEBRA LINEAL
Formas cuadráticas
⇓
Anxn simétrica;
( )
∑∑∑∑ ∑
<
= == = =
−−
+==
=+++++++=
=
=
n
ji
i
n
j
jiij
n
i
n
j
n
i
iijjiij
nnnnjiijnnn
nnnn
n
n
xxaxaxxa
xxaxxaxxaxaxa
x
x
x
aa
a
aaa
xxxxf
1 11 1 1
2
112112
22
111
2
1
1
21
11211
21
2
)(
n
x ℜ∈ ,
=
nx
x
x
1
f(x)=x’ A x es una forma cuadrática
28
29. ALGEBRA LINEAL
Formas cuadráticas
Ejemplo
Expresar matricialmente la forma cuadrática
Escribir en forma cuadrática
29
323121
2
3
2
2
2
1321 546325),,( xxxxxxxxxxxxf −+−+−=
( )
−
=
2
1
2121
22
21
),(
x
x
xxxxf
30. ALGEBRA LINEAL
Formas cuadráticas
Como Anxn es simétrica, es diagonalizable,
se puede escribir A = PDP’ y, por tanto,
queda: f(x) = x’PDP’x.
Haciendo y = P’x:
( ) ,
0
0
')(
1
2
11
1 ∑=
=
==
n
i
ii
nn
n y
y
y
yyDyyyf λ
λ
λ
se tiene
.)( 2
1
2
11
2
nn
n
i
ii yyyyf λλλ∑=
++==
30
31. Formas cuadráticas
x2
x1 y2y1
e2e1 2λ
c
1λ
c
ALGEBRA LINEAL31
y los autovectores
x’Ax=c2
representa geométricamente una elipse
en
22
22
2
11
2
2
''
'
cyycxPDPx
cAxx
=+⇒=
=
λλ
; los autovalores son 21 λλ >
normalizados son e1 y e2.
2
ℜ
33. Formas cuadráticas
Clasificación de formas cuadráticas
ALGEBRA LINEAL33
Sea f(x) = x’ A x
f es definida positiva si
f es semidefinida positiva si
f es semidefinida negativa si
f es definida negativa si
f es indefinida si
0)(,0 >≠∀ xfx
0)(, ≥∈∀ xfx n
0)(,0 <≠∀ xfx
0)(0)( 2121 <>∈∃∈∃ xfyxfquetalxyx nn
0)(, ≤∈∀ xfx n
34. Formas cuadráticas
Sean los autovalores de A
f es definida positiva
f es semidefinida positiva
f es semidefinida negativa
f es definida negativa
f es indefinida
ALGEBRA LINEAL
0,,01 <<⇔ nλλ
0,,01 ≤≤⇔ nλλ
0,,01 ≥≥⇔ nλλ
0,,01 >>⇔ nλλ
0,0 <∃>∃⇔ ji λλ
34
nλλ ,,1
35. Raíz cuadrada de una matriz
B es raíz de A si A=BB;
ALGEBRA LINEAL
∑=
=
n
i
ii eeA
1
'λ
Raíz cuadrada de una matriz:
A semidefinida positiva;
B=A1/2
; A=A1/2
A1/2
Si A es simétrica y A=PDP’ con
descomposición espectral
entonces:
35
36. Formas cuadráticas
ALGEBRA LINEAL
Raíz cuadrada de una matriz:
'
'
0
0
'
0
0
1
1
2/1
1
ii
n
i
i
n
n
ee
PPA
PPASea
∑=
=
=
=⇒
=
λ
λ
λ
λ
λ
'
1
'
/10
0/1
1
1
1
ii
n
i i
n
eePPA ∑=
−
=
=
λ
λ
λ
Nota:
36
37. Descomposición singular de una matriz
ALGEBRA LINEAL
iλ
Dada la matriz Amxn, AA’ es cuadrada y
simétrica; por tanto, diagonalizable.
VUA
k
=
00
0
0
01
λ
λ
es un valor singular de A, si
2
iλ es autovalor de AA’.
Descomposición singular
Sea A una matriz mxn; kλλ ,,1 valores singulares de A.
Entonces existen matrices ortogonales U y V tales que:
37
38. Vectores y matrices aleatorias
22
)]([)(
)(
aleatoriavariable
iiiiii
ii
i
XEXEXV
XE
X
−===
=
σσ
µ
=Χ
=
mnmm
n
p XXX
XXX
X
X
X
21
112111
;
Vector
aleatorio
Matriz
aleatoria
31
39. Vectores y matrices aleatorias
=
==
)(
)( 11
pp XE
XE
EX
µ
µ
µ
Se llama vector de medias a:
y covarianza entre dos variables a
Se define la matriz de covarianzas de X como:
)].)([(),( jjiijiij EXXEXXEXXCov −−==σ
=∑=∑=
ppp
p
XVX
σσ
σσ
1
111
39
46. Matriz de datos
46
=
px
x
x
1
Vector de medias:
Matriz de varianzas y covarianzas:
donde
=
ppp
p
n
ss
ss
S
1
111
nxxxxs jkj
n
k
ikiij /)()(
1
−−=∑=
Matriz de correlaciones:
2/12/1 −−
= nnn VSVR , donde
=
pp
n
s
s
V
0
011
47. Matriz de datos
;...,,,; 21
1
diiXXX
X
X
X n
p
=
Proposición
n
X
X
n
i
i∑=
= 1
Dado
47
∑
−
=
∑=
=
n
n
SEiii
nXVii
XEi
n
1
)()(
/)()(
)()( µ
48. Matriz de datos
48
La matriz de datos se puede representar como:
Diagrama de dispersión, n puntos en el espacio
p
ℜ
x1
x2
p=2
x1
x2
x3p=3
Como para p>3 no es posible representarlo, se utilizan
diagramas de dispersión múltiple con pares de
variables.
49. Matriz de datos
49
Considerando las columnas en vez de la filas de la
matriz de datos, es decir, p puntos en
n
nxp
npnnn
p
p
p
X
xxxx
xxxx
xxxx
xxxx
=
321
3333231
2232221
1131211
p
ℜen
Objeto_1
Objeto_n
Variable_1 Variable_p
nxp
npnnn
p
p
p
X
xxxx
xxxx
xxxx
xxxx
=
321
3333231
2232221
1131211
p
ℜen
Objeto_1
Objeto_n
Variable_1 Variable_p
Y1 Y2 Y3 Yp
Para cuatro variables:
=
34333231
24232221
14131211
xxxx
xxxx
xxxx
X
Y1 Y2 Y3 Y4
Y1
Y4
Y3
Y2
50. Matriz de datos
50
y forma el mismo ángulo con todos
los ejes.
=
1
1
11 nx
n=1
Vector de unos: n unos
Propiedades
es el vector unitario que forma el mismo
ángulo en todas las direcciones.
n/1
51. Matriz de datos
51
Proyección de un vector sobre el vector
==⋅==
∑=
i
i
i
n
j
ij
i
i
x
x
x
n
x
y
ypr 111
1,1
1,
)(
1
1
:1
yi
1
1ix
55. Matriz de datos
55
Varianza generalizada de X:
Varianza total de X:
Varianza generalizada muestral:
Varianza total muestral:
)det(∑=∑
pptraza σσ ++=∑ 11)(
ppn ssStraza ++= 11)(
)det( nn SS =
56. Matriz de datos
56
Interpretación geométrica
Área =
Varianza generalizada en
pn
n
Volumen
S
2
=
||)1(cos1 2
122211
2
221121 nSnrssnnsnssendd =−=−== θθ
p