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
5. Vectores
Dados
x1 y1
x= y=
x y
p p
se define:
1. Suma
x1 + y1
x+ y =
x + y
p p
5
ALGEBRA LINEAL
6. Vectores
2. Producto de un escalar por un vector
c ⋅ x1
c⋅x =
c ⋅ x
p
3. Producto escalar de dos vectores
p
x • y = x, y = x' y = ∑ xi y i = x1 y1 + + x p y p
i =1
6
ALGEBRA LINEAL
7. 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 = ∑ xi2
i =1
7
ALGEBRA LINEAL
8. Vectores
5. Distancia entre dos vectores
y
x− y
d ( x, y ) = x − y
x
6. Ángulo entre dos vectores
x, y
θ
cosϑ =
x y θ
ϑ
θ
x, y = 0 ⇒ cosϑ = 0 ⇒ x ⊥ y
8
ALGEBRA LINEAL
10. Vectores
7. Ortogonalidad
{u1 , u 2 , , u n } es ortogonal si u i ⊥ u j ∀ i, j
8. Ortonormalidad
{ 1 , e 2 ,, e n } es ortonormal si es ortogonal
e
y todos los vectores tienen norma 1, es decir, ei = 1 ∀i
10
ALGEBRA LINEAL
11. Vectores
Ejemplo
−1 1
u = 0 v = 0
2 −3
(i ) < u , v >
(ii ) u
(iii ) u ⊥ v ?
(iv ) d (u , v )
(v ) cos θ
11
ALGEBRA LINEAL
12. Vectores
Un conjunto de vectores { u1 , u 2 , , u n }
es linealmente independiente si
n
∑c u
i =1
i i = 0 ⇒ c1 = c 2 = = c n =0
(la única manera de construir una combinación lineal
igual a 0 es que todos los coeficientes sean 0)
12
ALGEBRA LINEAL
13. Vectores
Proposición. Todo conjunto ortogonal de vectores
no nulos es linealmente independiente.
{ u1 , u 2 ,, u n } ortogonal ⇒ { u1 , u 2 ,, u n } l.i.
⇐
Demostración
c1u1 + + cn un = 0
u j , c1u1 + + cnu n = c j u j , u j = 0
u j ,u j ≠ 0 ⇒ cj = 0
13
ALGEBRA LINEAL
16. Ortogonalización de Gram-Schmidt
V⊂
p
; V subespacio vectorial de ℜ p
si V es espacio vectorial,
es decir, si u , v ∈ V y ∀a, b ∈ ℜ ; au + bv ∈ V
∀
Dado A = {u1 , u 2 , , u n }
n
∑
span A ≡ ci ui
i =1
: ci ∈
ℜ
Propiedades
(i ) A ⊂ span A
(ii ) span ( A) es un subespacio
16
ALGEBRA LINEAL
17. 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
17
ALGEBRA LINEAL
20. Matrices ortogonales
a11 a12 a1n
Amxn =
a am 2 amn
m1
Matrices ortogonales
Anxn; inversa A-1: A A-1 = A-1A = I.
A’ transpuesta de A.
Qnxn es ortogonal si Q’Q = QQ’ = I.
(las columnas de una matriz ortogonal son vectores ortonormales)
20
ALGEBRA LINEAL
21. 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
21
ALGEBRA LINEAL
22. Autovalores y autovectores
Anxn; λ autovalor de A
⇔ ∃ x ≠ 0 tal que Ax = λ x
x es autovector asociado a λ
∃x ≠ 0, Ax − λ x = 0 ⇔
x ∃x ≠ 0, Ax − λ Ix = 0 ⇔
∃x ≠ 0, ( A − λ I ) x = 0 ⇔
A−λ I = 0
Polinomio
característico
Ecuación
característica
22
ALGEBRA LINEAL
29. Formas cuadráticas
x1
Anxn simétrica; x ∈ ℜ ,
n
x=
f(x)=x’ A x es una forma cuadrática xn
⇓ a11
a12 a1n x1
a21 x2
f ( x) = ( x1 x2 xn ) =
a ann xn
n1
= a11 x12 + + ann xn + a12 x1 x2 + + aij xi x j + + an −1n xn −1 xn =
2
n n n n n
= ∑∑ aij xi x j = ∑ a x + 2∑∑ aij xi x j
2
ij i
i =1 j =1 i =1 i =1 j =1
i< j
29
ALGEBRA LINEAL
30. Formas cuadráticas
Ejemplo
Expresar matricialmente la forma cuadrática
f ( x1 , x2 , x3 ) = 5 x12 − 2 x2 + 3x3 − 6 x1 x2 + 4 x1 x3 − 5 x2 x3
2 2
Escribir en forma cuadrática
1 2 x1
f ( x1 , x2 ) = ( x1 x2 )
2 − 2 x
2
30
ALGEBRA LINEAL
35. Formas cuadráticas
λ 1, , λ n
Sean los autovalores de A
f es definida positiva ⇔ λ 1> 0, , λ n > 0
f es semidefinida positiva ⇔ λ 1≥ 0, , λ n ≥ 0
f es semidefinida negativa ⇔ λ 1≤ 0, , λ n ≤ 0
f es definida negativa ⇔ λ 1< 0, , λ n < 0
f es indefinida ⇔ ∃λ i > 0, ∃λ j < 0
35
ALGEBRA LINEAL
36. 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
Si A es simétrica y A=PDP’ con n
descomposición espectral A = ∑ λ i ei e'
i =1
entonces:
36
ALGEBRA LINEAL
37. Formas cuadráticas
Raíz cuadrada de una matriz:
λ 1 0
Sea A = P P'
0 λ n
λ1 0
⇒ A1/ 2 = P P' =
0
λ n
Nota:
1/ λ 1
0
n
1
A − 1 = P P' = ∑ ei ei ' n
0
1/ λ
n
i=1 λ i
= ∑ λ i ei ei '
i=1
37
ALGEBRA LINEAL
38. Descomposición singular de una matriz
Dada la matriz Amxn, AA’ es cuadrada y
simétrica; por tanto, diagonalizable.
2
λ i es un valor singular de A, si λ i es autovalor de AA’.
Descomposición singular
Sea A una matriz mxn; 1, , λ k valores singulares de A.
λ
Entonces existen matrices ortogonales U y V tales que:
λ 1 0
0
A=U V
0 λk
0 0
38
ALGEBRA LINEAL
39. Vectores y matrices aleatorias
X i variable aleatoria
µ i= E( X i )
σ ii = σ i2 = V ( X i ) = E[ X i − E ( X i )]2
X1 X 11 X 12 X 1n
X = ; Χ=
X X X m 2 X mn
p m1
Vector Matriz
aleatorio aleatoria
31
40. Vectores y matrices aleatorias
Se llama vector de medias a:
µ 1 E( X1)
EX = µ = =
µ E( X )
p p
y covarianza entre dos variables a
σ ij = Cov ( X i , X j ) = E[( X i − EX i )( X j − EX j )].
Se define la matriz de covarianzas de X como:
σ11 σ1 p
VX = ∑ = ∑ X =
σ
σ pp
p1
40
41. Vectores y matrices aleatorias
X1 c1
X = , c = constantes; EX = µ , VX = Σ. Entonces :
X c
p p
(i ) E (c' X ) = c' µ
(ii ) V (c' X ) = c' Σc
Cmxp matriz de constantes. Entonces :
(i ) E (CX ) = CEX .
(ii ) V (CX ) = CΣC '.
42. Vectores y matrices aleatorias
Ejemplo
Y1 = 2 X 2 − X 1
X1
X =
X Y2 = X 1 − X 2
2 Y = X − 2 X
3 2 1
− 1 6 − 2
µ =
0 ∑=
− 2 4
42
ALGEBRA LINEAL
43. 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 mn )
m1
(ii ) E ( AXB ) = AE ( X ) B
(iii ) Ymxn ⇒ E ( X + Y ) = E ( X ) + E (Y )
43
44. Vectores y matrices aleatorias
Matriz de correlaciones
1 r12 r1 p
r21 1 r2 p σij
ρ = , donde rij = ;
σii σ jj
r rp 2 1
p1
en forma matricial: ρ = V −1/ 2 ∑V −1/ 2 ,
donde V es la matriz de varianzas:
σ11 0 σ12 0
V = =
0
σ pp 0
σp
2
44
45. 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
µ (1)
Vector de medias: µ = ( 2 )
µ
∑11 ∑12
Matriz de covarianzas: ∑= ∑ , donde
21 ∑22
∑11 = V ( X (1) )
∑22 = V ( X ( 2 ) )
(1) ( 2)
∑12 = ∑'21 = Cov ( X (1) , X ( 2 ) ) = Cov ( X i , X j )
45
46. Matriz de datos
Objeto_1 x11 x12 x13 x1 p
x21 x22 x23 x2 p
x
31
x32 x33 x3 p = X nxp
en ℜ p
Objeto_n x xn 2 xn 3 xnp
n1
n n
∑ xi
Variable_11 ∑ xip
Variable_p
x1 = i =1
xp = i =1
n n
46
47. Matriz de datos
x1
Vector de medias: x =
x
p s11 s1 p
Matriz de varianzas y covarianzas: S n =
n
donde sij = ∑( xki − xi )( xkj − x j ) / n s s pp
k=1
p1
−1 / 2 −1 / 2
Matriz de correlaciones: R = Vn S n Vn , donde
s11 0
Vn =
0 s pp
47
55. 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 ) = µ
(ii ) V ( X ) = ∑/ n
n −1
(iii ) E ( S n ) = ∑
n
55
57. Matriz de datos
Considerando las columnas en vez de la filas de la
n
matriz de datos, es decir, p puntos en
Objeto_1 x11 x12 x13 x1 p
x21 x22 x23 x2 p
x
31
x32 x33 x3 p = X nxp
en ℜp
Objeto_n x xn 2 xn 3 xnp
n1
Y1 Y2 Y3 Yp
Para cuatro variables:
Variable_1 Variable_p Y1 Y4
x11 x12 x13 x14 Y3
X = x21 x22 x23 x24
x x32 x33 x34
Y2
31
Y1 Y2 Y3 Y4
57
58. Matriz de datos
1
Vector de unos: 1 nx1 = n unos
1
Propiedades
1= n
y forma el mismo ángulo con todos
los ejes.
1/ n
es el vector unitario que forma el mismo
ángulo en todas las direcciones.
58
61. Matriz de datos
Entonces:
2
• d i = ( x1i − xi ) + ... + ( xni − xi ) ⇒ d i
2 2
= nsii
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
63. Matriz de datos
Varianza generalizada de X: ∑ = det(∑)
Varianza total de X: traza ( ∑) = σ11 + + σ pp
Varianza generalizada muestral: S n = det( S n )
Varianza total muestral: traza ( S n ) = s11 + + s pp
63
64. Matriz de datos
Interpretación geométrica
Área =
= d1 d 2 senθ = ns11 ns22 1 − cos 2 θ = n s11s22 (1 − r12 ) = n | S n |
2
p
Varianza generalizada en
Volumen 2
Sn =
np
64
68. Matriz de datos
Combinaciones lineales de las componentes de
una variable
X1 x1 s11 s1 p c1 b1
X = ; x = ; S n = ; c = ; b =
X x s s c b
p p p1 pp p p
c' X = c1 X 1 + + c p X p
y las combinaciones lineales: b' X = b X + + b X
1 1 p p
Media muestral de c’X: c' x
Varianza muestral de c’X: c' S n c
Covarianza muestral de c’X y b’X: c' S n b
68
69. Matriz de datos
Ejemplo
2 0 1
X1
3 1 0
X = X = X2
2 1 0 X
3
4 1 0
c' X = 2 X 1 − 3 X 2
b' X = X 1 − 2 X 3
69
ALGEBRA LINEAL