Академический Документы
Профессиональный Документы
Культура Документы
NIETO BARAJAS
Ø Sea X' = (X1 ,K, X p ) un vector aleatorio con matriz de var-cov Σ, con
40
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
Y1 = a 1' X = a 11X1 + a 12 X 2 + L + a 1p X p
Y2 = a '2 X = a 21X1 + a 22 X 2 + L + a 2 p X p
M
Yp = a 'p X = a p1X1 + a p 2 X 2 + L + a ppX p
donde aj’ son vectores de constantes. Entonces,
Var (Yj ) = a j ' Σa j , j=1,...,p
( )
donde a1 maximiza Var a 1' X sujeto a: a 1' a 1 = 1
( ) (
donde a2 maximiza Var a '2 X sujeto a: a '2 a 2 = 1 y Cov a 1' X , a '2 X = 0 )
⇒ ja componente principal: Yj = a 'j X ,
( )
donde aj maximiza Var a 'j X sujeto a: a 'j a j = 1 y Cov a 'j X, a 'k X = 0 ( )
para k<j
41
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
Ø Resultado 4.1. Sea Σ la matriz de var-cov del vector X' = (X1 ,K, X p ). Sean
por:
Yj = e 'j X = e j1X1 + e j2 X2 + L + e jp X p , j=1,...,p
42
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
DEM.
Ø Notemos que:
j =1 j=1 j=1
es decir,
p p
∑ σ jj = ∑ λ j .
j =1 j=1
Ø Si casi toda la varianza total (más del 80%) puede ser explicada por uno,
dos o tres componentes, entonces estos componentes pueden sustituir a las
p variables originales sin mucha pérdida de información (variabilidad).
43
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
vectores de Σ. Como,
p
Σ = ∑ λ j e j e j ' y tomando µ=0, entonces
j=1
(x'e j ) = c2 .
p
1
x'Σ x = ∑
−1 2
j =1 λ j
es una elipsoide (ya que todas las λj’s > 0) en un sistema con ejes yj y cada
yj está en la dirección de ej (en un sistema con ejes xj).
44
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
Más aún,
45
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
Corr(Yj , Z k ) = λ j e jk , j,k=1,...,p
λ 1 ≥ λ 2 ≥ Lλ p ≥ 0 .
Ø Nota: Los c.p. obtenidos a partir de X (Σ) no son, en general, los mismos
obtenidos a partir de Z (Ρ).
46
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
tienen media muestral a 1 ' X y varianza muestral a 1 ' Sa 1 . También, los pares
de valores (a 1 ' Xi , a 2 ' Xi ) para dos combinaciones lineales, tienen
covarianza muestral a 1 ' Sa 2 .
( )
VarM Ŷj = λˆ j , j=1,...,p
además,
p p
VarMtotal = ∑ S jj = ∑ λˆ j
j=1 j=1
λˆ j
rŶj, Xk = ê jk , j,k=1,...,p.
S kk
47
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
Ø Se usará la misma notación Ŷ1 ,K, Ŷp para las componentes principales
48
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
{ }
o Los puntos (X i − X) S−1 (X i − X ) = c 2 , i = 1,K, n definen una elipsoide
'
49
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
1
0 L 0
Xi1 − X1 S11
S11 1
L
=
0 0
Z i = D−1 / 2 (Xi − X ) = M , con D −1/ 2 S 22
Xip − X p
M O M
S 1
pp 0 L 0
S pp
X − X1 X1p − X p
Z1 ' Z11 Z12 L Z1p 11
S11 S pp
Z ' Z 21 Z 22 L Z 2 p
Z = 2 = =
M M O
X n1 − X1 X np − X p
Z n 2 L Z np
Z n ' Z n1 S11 S pp
SZ =
1
(Z − 1Z')' (Z − 1Z') = 1 Z' Z = R
n −1 n −1
50
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
principal, entonces
Ŷi ' = (Ŷi1 ,K, Ŷip ) = P̂ ' X i ,
⇒ X i = P̂Ŷi
p
= ∑ Ŷij ê j = Ŷi1ê1 + Ŷi 2 ê 2 + L + Ŷip ê p
j=1
r p
⇒ X i − ∑ Ŷij ê j = ∑ Ŷijê j
j=1 j= r +1
p
∴ ∑ Ŷijê j es la diferencia entre el valor observado Xi y la aproximación
j= r+1
51
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
52
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
(
n (λˆ − λ ) ≈ Np 0, 2Λ2 )
p
λk
b) Sea E j = λ j ∑
k ≠ j (λ k − λ j )
2
e k e k ' , entonces
n (ê j − e j ) ≈ N p (0, E j )
correspondiente ê j .
o La parte (a) del resultado anterior implica que para n grande los λ̂ j ’s son
λˆ j λˆ j
∴ λ j ∈ , con (1−α)100% de confianza.
1 + Z α/ 2 2 n 1 − Z α/2 2 n
53
Maestría: Administración de riesgos Análisis multivariado para riesgos
PROFESOR: LUIS E. NIETO BARAJAS
m c
⇒ P I A j ≥ 1 − ∑ P(A j ) = 1 − ∑ α j
m m
j=1
j=1 j=1
m
Por lo tanto la confianza conjunta será de al menos 1 − ∑ α j .
j=1
v R: princomp
54
Maestría: Administración de riesgos Análisis multivariado para riesgos