Академический Документы
Профессиональный Документы
Культура Документы
Teorı́a y Práctica
Semestre I - 2019
1 / 79
Temario
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
2 / 79
Álgebra Matricial Matrices
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
3 / 79
Álgebra Matricial Matrices
Definición de Matriz
Una matriz es un arreglo bidimensional de números reales o complejos. Se
simboliza mediante letras mayúsculas A, B, C . . . ; y se representa como:
⎡ a11 a12 . . . a1n ⎤
⎢ ⎥
⎢a ⎥
⎢ 21 a22 . . . a2n ⎥
Am×n = (aij )m×n = ⎢ ⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥⎥
⎢
⎢am1 am2 . . . amn ⎥
⎣ ⎦
Observaciones:
Si m = n entonces A es una matriz cuadrada.
Si m = n = 1 entonces A es un escalar.
Si n = 1 entonces A es un vector.
4 / 79
Álgebra Matricial Matrices
Definición de Matriz
Una matriz es un arreglo bidimensional de números reales o complejos. Se
simboliza mediante letras mayúsculas A, B, C . . . ; y se representa como:
⎡ a11 a12 . . . a1n ⎤
⎢ ⎥
⎢a ⎥
⎢ 21 a22 . . . a2n ⎥
Am×n = (aij )m×n = ⎢ ⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥⎥
⎢
⎢am1 am2 . . . amn ⎥
⎣ ⎦
Observaciones:
Si m = n entonces A es una matriz cuadrada.
Si m = n = 1 entonces A es un escalar.
Si n = 1 entonces A es un vector.
5 / 79
Álgebra Matricial Matrices
Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son ceros, i.e. Dn = (aij ) tal que aij = 0 si i ≠ j
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo se
simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n
6 / 79
Álgebra Matricial Matrices
Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son ceros, i.e. Dn = (aij ) tal que aij = 0 si i ≠ j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo se
simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n
7 / 79
Álgebra Matricial Matrices
Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son ceros, i.e. Dn = (aij ) tal que aij = 0 si i ≠ j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo se
simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n
8 / 79
Álgebra Matricial Matrices
Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son ceros, i.e. Dn = (aij ) tal que aij = 0 si i ≠ j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo se
simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n
9 / 79
Álgebra Matricial Matrices
Tipos de matrices
Matriz diagonal: Es una matriz cuadrada cuyos elementos fuera de
la diagonal son ceros, i.e. Dn = (aij ) tal que aij = 0 si i ≠ j.
Matriz identidad: Es una matriz diagonal cuyos elementos de la
diagonal son 1 y se representa mediante In .
Matriz de ceros: Es una matriz rectangular cuyos elementos son
todos ceros. Se representa mediante 0m×n
Matriz de unos: Es una matriz rectangular cuyos elementos son
todos unos. Se representa mediante Jm×n y si m = n entonces solo se
simboliza mediante Jn .
Vector de unos: Es un vector cuyos elementos son todos unos. Se
representa mediante 1n
10 / 79
Álgebra Matricial Operaciones y propiedades de matrices
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
11 / 79
Álgebra Matricial Operaciones y propiedades de matrices
12 / 79
Álgebra Matricial Operaciones y propiedades de matrices
13 / 79
Álgebra Matricial Operaciones y propiedades de matrices
14 / 79
Álgebra Matricial Operaciones y propiedades de matrices
15 / 79
Álgebra Matricial Operaciones y propiedades de matrices
16 / 79
Álgebra Matricial Operaciones y propiedades de matrices
17 / 79
Álgebra Matricial Operaciones y propiedades de matrices
Observación:
Si ran(Am×n ) = min{m, n}, entonces se dice que la matriz A es de
rango completo. Si A fuese una matriz cuadrada de orden n,
entonces A es de rango completo si y solo si ran(A) = n.
18 / 79
Álgebra Matricial Operaciones y propiedades de matrices
Observación:
Si ran(Am×n ) = min{m, n}, entonces se dice que la matriz A es de
rango completo. Si A fuese una matriz cuadrada de orden n,
entonces A es de rango completo si y solo si ran(A) = n.
19 / 79
Álgebra Matricial Operaciones y propiedades de matrices
20 / 79
Álgebra Matricial Operaciones y propiedades de matrices
21 / 79
Álgebra Matricial Operaciones y propiedades de matrices
Teoremas
An×n es inversible ⇐⇒ ran(A) = n ⇐⇒ det(A) ≠ 0.
Sea Bn×n una matriz inversible, entonces ran(AB) = ran(A).
Si An×n es inversible, entonces A−1 = 1
det(A) Adj(A), donde Adj(A)
es la matriz adjunta de A.
22 / 79
Álgebra Matricial Operaciones y propiedades de matrices
Teoremas
An×n es inversible ⇐⇒ ran(A) = n ⇐⇒ det(A) ≠ 0.
Sea Bn×n una matriz inversible, entonces ran(AB) = ran(A).
Si An×n es inversible, entonces A−1 = 1
det(A) Adj(A), donde Adj(A)
es la matriz adjunta de A.
Otras propiedades
Sean A y B dos matrices del mismo orden ⇒ (A ± B)′ = A′ ± B ′ .
Sean Am×n y Bn×q ⇒ (AB)′ = B ′ A′ .
Sea Am×n y Bn×m ⇒ tr(AB) = tr(BA).
Sean An×n y Bn×n dos matrices inversibles ⇒ (AB)−1 = B −1 A−1 .
Sea An×n una matriz inversible ⇒ (A−1 ) = (A )−1 .
′ ′
23 / 79
Álgebra Matricial Operaciones y propiedades de matrices
Matrices especiales
Sea An×n una matriz cuadrada, esta se puede clasificar en:
Matriz Simétrica: Si A′ = A.
Matriz Idempotente: Si A2 = A.
Matriz Ortogonal: Si A′ A = AA′ = In .
Matriz Singular: Si det(A) = 0.
¡Hora de ejercitarse!
1 De las siguientes matrices: Jn , n1 Jn , In , In − n1 Jn ; ¿cuáles son
idempotentes?
2 Sea Xn×p con p < n una matriz de rango completo. ¿Es X ′ X una
matriz singular? ¿Son X ′ X y XX ′ matrices simétricas?.
3 Si A es una matriz idempotente, entonces, ¿es cierto que I − A es
siempre idempotente?
25 / 79
Álgebra Matricial Partición de matrices y sus propiedades
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
26 / 79
Álgebra Matricial Partición de matrices y sus propiedades
Partición de matrices
Sea Am×n una matriz cualquiera. Una partición de la matriz A es una
división adecuada (mediante lı́neas horizontales y verticales) en matrices
de menor orden (submatrices). Por ejemplo, si se desea particionar A en 4
bloques entonces la partición serı́a:
A11 A12
A=[ ]
A21 A22
27 / 79
Álgebra Matricial Partición de matrices y sus propiedades
Partición de matrices
Sea Am×n una matriz cualquiera. Una partición de la matriz A es una
división adecuada (mediante lı́neas horizontales y verticales) en matrices
de menor orden (submatrices). Por ejemplo, si se desea particionar A en 4
bloques entonces la partición serı́a:
A11 A12
A=[ ]
A21 A22
28 / 79
Álgebra Matricial Partición de matrices y sus propiedades
A′11 A′21
A′ = ( )
A′12 A′22
A′11 A′21
A′ = ( )
A′12 A′22
¡Hora de ejercitarse!
1 Si A fuese particionada por filas y B particionada por columnas; ¿qué
forma tendrı́a el producto AB?
2 Si A fuese particionada en 4 bloques (2 × 2) y los bloques de la
diagonal fuesen matrices cuadradas, ¿Qué propiedades encontrarı́a si
A fuese simétrica?
3 Si A fuese particionada en 4 bloques (2 × 2) donde A12 y A21 fuesen
matrices nulas, ¿qué propiedades habrı́a si A fuese idempotente?.
33 / 79
Álgebra Matricial Partición de matrices y sus propiedades
A11 A12
A=( ),
A21 A22
donde Aij es de orden ni × nj para i, j = 1, 2. Entonces la determinante de
A queda determinada por:
Si A11 es inversible, entonces ∣A∣ = ∣A11 ∣∣A22 − A21 A−1
11 A12 ∣.
Si A22 es inversible, entonces ∣A∣ = ∣A22 ∣∣A11 − A12 A−1
22 A21 ∣.
34 / 79
Álgebra Matricial Partición de matrices y sus propiedades
A11 A12
A−1 = ( ),
A21 A22
donde:
35 / 79
Álgebra Matricial Partición de matrices y sus propiedades
¡Hora de ejercitarse!
1 Si A fuese particionada en 4 bloques (2 × 2) tal que A12 y A21 son
matrices nulas. Calcule la determinante e inversa de A.
2 Si A fuese particionada como antes formando bloques que formen una
matriz diagonal superior o inferior. Calcule la determinante e inversa
de A.
3 Calcule la determinante de la matriz P = (a − b)In + bJn . ¿Para qué
valores de a y b la matriz P es inversible? Calcule dicha inversa.
4 Sean Ψ, L dos matrices de orden n × n. Si Ψ es de rango completo y
ran(L) = k < n, pruebe la siguiente identidad usando particiones de
matrices:
36 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
37 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
⎡ v1 ⎤
⎢ ⎥
⎢ ⎥
⎢ v2 ⎥
V ec(A) = ⎢ ⎥
⎢ ⋮ ⎥
⎢ ⎥
⎢ ⎥
⎣ vn ⎦
38 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
⎡ v1 ⎤
⎢ ⎥
⎢ ⎥
⎢ v2 ⎥
V ec(A) = ⎢ ⎥
⎢ ⋮ ⎥
⎢ ⎥
⎢ ⎥
⎣ vn ⎦
Propiedades de la vectorización
Si A y B son m × n matrices ⇒ V ec(A ± B) = V ec(A ± B).
Si α ∈ R ⇒ V ec(αA) = αV ec(A).
Sean Am×n y Bn×m dos matrices. ⇒ tr(AB) = V ec(A′ )′ V ec(B)
39 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
40 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
41 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
Producto de Kronecker
Sea A = (aij )m×n y Bp×q dos matrices. El producto de Kronecker entre A
y B se define como una matriz de orden mp × nq tal que:
⎡ a11 B a12 B . . . a1n B ⎤
⎢ ⎥
⎢a B a B ... a B ⎥
⎢ 21 22 2n ⎥
A⊗B =⎢ ⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥⎥
⎢
⎢am1 B am2 B . . . amn B ⎥
⎣ ⎦
(A ⊗ B) ⊗ C = A ⊗ (B ⊗ C).
(A × B)(C ⊗ D) = (AC ⊗ BD).
Sea α ∈ R ⇒ α(A ⊗ B) = (αA ⊗ B) = (A ⊗ αB)
(A + B) ⊗ C = (A ⊗ C) + (B ⊗ C)
42 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
(A ⊗ B)−1 = A−1 ⊗ B −1
44 / 79
Álgebra Matricial Vectorización, suma directa y producto de Kronecker
¡Hora de ejercitarse!
1 Sea Ai una matriz simétrica para i = 1, . . . , n. Pruebe que ⊗ni=1 Ai y
⊕ni=1 Ai son matrices simétricas.
2 Pruebe lo anterior considerando la idempotencia y la ortogonalidad en
vez de la simetrı́a.
3 ¿Es cierto que si tr(A′ A) = 0 si y solo si A = 0? Justifique.
k
4 Pruebe que 1′n ( ⊕ 1
ni Jni − n1 Jn ) = 0 donde n = ∑ki=1 ni .
i=1
5 Sean Am×n , Xn×n y Bn×m dos matrices. Usando particiones de
matrices, pruebe que
a. tr(AB) = V ec(A′ )′ V ec(B).
b. V ec(AXB) = (B ′ ⊗ A)V ec(X).
45 / 79
Álgebra Lineal Autovalores y autovectores
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
46 / 79
Álgebra Lineal Autovalores y autovectores
47 / 79
Álgebra Lineal Autovalores y autovectores
2 1 0 1
A=( );B = ( )
1 2 −1 0
Observaciones:
λ → ∞ autovectores, pero v → λ único.
Aún si A ∈ Rn×n , los λi podrı́an ser complejos y los vi también.
48 / 79
Álgebra Lineal Autovalores y autovectores
¡Hora de ejercitarse!
1 Calcule los autovalores y autovectores de las matrices A y B.
2 1 0 1
A=( );B = ( )
1 2 −1 0
Observaciones:
λ → ∞ autovectores, pero v → λ único.
Aún si A ∈ Rn×n , los λi podrı́an ser complejos y los vi también.
49 / 79
Álgebra Lineal Autovalores y autovectores
¡Hora de ejercitarse!
Calcule los autovalores y autovectores de las matrices A y B.
2 1 0 1
A=( );B = ( )
1 2 −1 0
Observaciones:
λ posee ∞ autovectores, pero v tiene un λ único.
Aún si A ∈ Rn×n , los λi podrı́an ser complejos y los vi también.
50 / 79
Álgebra Lineal Diagonalización de matrices
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
51 / 79
Álgebra Lineal Diagonalización de matrices
Semejanza de matrices
Sean An×n y Bn×n dos matrices cuadradas, diremos que A y B son
semejantes si existe una matriz Pn×n inversible tal que A = P BP −1 .
Simbolizando: A ∼ B ⇐⇒ ∃P inversible /A = P BP −1 .
Propiedad: A ∼ B ⇒ tr(A) = tr(B), ran(A) = ran(B), det(A) = det(B)
52 / 79
Álgebra Lineal Diagonalización de matrices
Semejanza de matrices
Sean An×n y Bn×n dos matrices cuadradas, diremos que A y B son
semejantes si existe una matriz Pn×n inversible tal que A = P BP −1 .
Simbolizando: A ∼ B ⇐⇒ ∃P inversible /A = P BP −1 .
Propiedad: A ∼ B ⇒ tr(A) = tr(B), ran(A) = ran(B), det(A) = det(B)
Diagonalización de matrices
Sea An×n una matriz cuadrada, diremos que A es diagonalizable si y solo
si es semejante a una matriz diagonal.
Simbolizando: A es diagonalizable ⇐⇒ A ∼ diag(λi )i=1,2,...,n .
Propiedad: A ∼ diag(λi ) ⇒ tr(A) = ∑ni=1 λi y det(A) = ∏ni=1 λi y
ran(A) = Card({λi ∈ σ(A)/λi ≠ 0}) contando multiplicidades.
53 / 79
Álgebra Lineal Diagonalización de matrices
Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.
54 / 79
Álgebra Lineal Diagonalización de matrices
Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.
Corolario
Si A posee n autovalores distintos ⇒ A es diagonalizable.
55 / 79
Álgebra Lineal Diagonalización de matrices
Corolario
Si A posee n autovalores distintos ⇒ A es diagonalizable.
Teorema
Sea An×n una matriz simétrica, entonces se cumple que:
Todos los autovalores de A son reales.
A genera n autovectores ortogonales (y por tanto, ortonormales).
Corolario
Si A posee n autovalores distintos ⇒ A es diagonalizable.
Teorema
Sea An×n una matriz simétrica, entonces se cumple que:
Todos los autovalores de A son reales.
A genera n autovectores ortogonales (y por tanto, ortonormales).
Corolario
Si An×n es simétrica ⇒ A es diagonalizable!
Si An×n es simétrica ⇒ ∃Pn×n ortogonal /A = P ΛP ′ , donde
Λ = diag(λi )i=1,2,...,n y P = [v1 ∣v2 ∣ . . . ∣vn ] tal que Avi = λi vi .
57 / 79
Álgebra Lineal Diagonalización de matrices
¡Hora de ejercitarse!
Si An×n es una matriz idempotente de rango r ≤ n.¿Cuáles son los
autovalores de A?
Si An×n es una matriz simétrica e idempotente de rango r ≤ n.
Pruebe que ∃Pn×r tal que A = P P ′ y P ′ P = Ir .
Si An×n es una matriz simétrica e idempotente. Pruebe que
ran(A) = tr(A).
Si Xn×p (con p ≤ n) es una matriz de rango completo, calcule el
rango de X(X ′ X)−1 X ′ y In − X(X ′ X)−1 X ′ .
Sea A = Im ⊗ In , B = Im ⊗ X(X ′ X)−1 X ′ y
C=m 1
Jm ⊗ (In − X(X ′ X)−1 X ′ ). Calcule el rango de A − B − C.
58 / 79
Álgebra Lineal Formas cuadráticas
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
59 / 79
Álgebra Lineal Formas cuadráticas
Formas Cuadráticas
Una forma cuadrática es una aplicación matemática que asigna a cada
elemento x ∈ Rn un número real que representa un polinomio de grado 2
en las n variables.
Simbolizando: Q(x) = Q(x1 , x2 , . . . , xn ) = ∑ni,j=1 aij xi xj ; ∀x ∈ Rn .
Observaciones:
Q(x) = ∑ni,j=1 aij xi xj = x′ Ax donde A es una matriz simétrica.
Si ∑ni,j=1 aij xi xj = x′ Bx y B no fuese una matriz simétrica, entonces
A = B+B es una matriz simétrica tal que x′ Bx = x′ Ax.
′
2
A partir de ahora, una forma cuadrática queda definida como x′ Ax
donde A es una matriz simétrica.
60 / 79
Álgebra Lineal Formas cuadráticas
Formas Cuadráticas
Una forma cuadrática es una aplicación matemática que asigna a cada
elemento x ∈ Rn un número real que representa un polinomio de grado 2
en las n variables.
Simbolizando: Q(x) = Q(x1 , x2 , . . . , xn ) = ∑ni,j=1 aij xi xj ; ∀x ∈ Rn .
Observaciones:
Q(x) = ∑ni,j=1 aij xi xj = x′ Ax donde A es una matriz simétrica.
Si ∑ni,j=1 aij xi xj = x′ Bx y B no fuese una matriz simétrica, entonces
A = B+B es una matriz simétrica tal que x′ Bx = x′ Ax.
′
2
A partir de ahora, una forma cuadrática queda definida como x′ Ax
donde A es una matriz simétrica.
61 / 79
Álgebra Lineal Formas cuadráticas
62 / 79
Álgebra Lineal Formas cuadráticas
Teorema
A es definida positiva (negativa) ⇐⇒ λi > 0 (< 0), ∀λi ∈ σ(A).
Corolario
A es semidefinida positiva (negativa) ⇐⇒ λi ≥ 0 (≤ 0), ∀λi ∈ σ(A).
63 / 79
Álgebra Lineal Formas cuadráticas
¡Hora de ejercitarse!
1 Si An×n es una matriz definida positiva o negativa. ¿Es A un matriz
inversible?
2 Si An×n es una matriz idempotente. ¿Es A una matriz definida
positiva?
3 Si An×n es una matriz definida positiva. Pruebe que existe una matriz
1 1 1
inversible A 2 tal que A = A 2 A 2 .
4 Si An×n es una matriz definida positiva. Pruebe que existe una matriz
inversible B tal que A = BB ′ y B ′ B = Λ = diag(λi ) con λi ∈ σ(A).
5 Si An×n es una matriz semidefinida positiva de rango r < n. Pruebe
que existe una matriz de rango completo Bn×r tal que A = BB ′ y
B ′ B = Λ = diag(λi ) con λi ∈ {λi ∈ σ(A)/λi > 0}.
64 / 79
Álgebra Lineal Derivada vectorial
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
65 / 79
Álgebra Lineal Derivada vectorial
Propiedades:
d(x′ c)
Sea x ∈ Rn y cn×1 un vector de constantes, entonces dx = c.
d(x′ A)
Sea x ∈ Rn y Am×n una matriz cualquiera, entonces dx = A.
d(x′ Ax)
Sea x ∈ Rn y An×n una matriz simétrica, entonces dx = 2Ax.
66 / 79
Estadı́stica Paramétrica Vectores aleatorios
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
67 / 79
Estadı́stica Paramétrica Vectores aleatorios
Observaciones:
Con frecuencia a µ se le denomina parámetro de centralidad de x.
Σ = (σij )n×n , donde σij = cov(xi , xj ). Es por ello que a Σ se le
conoce también como matriz de covarianzas.
Σ es una matriz simétrica y semidefinida positiva (Pruébelo!).
68 / 79
Estadı́stica Paramétrica Vectores aleatorios
Observaciones:
Con frecuencia a µ se le denomina parámetro de centralidad de x.
Σ = (σij )n×n , donde σij = cov(Xi , Xj ). Es por ello que a Σ se le
conoce también como matriz de covarianzas.
Σ es una matriz simétrica y semidefinida positiva (Pruébelo!).
69 / 79
Estadı́stica Paramétrica Vectores aleatorios
Propiedades
Sea A una matriz de orden m × n, b un vector de orden m y x un vector
aleatorio de orden n. Entonces se cumple que:
E(Ax + b) = AE(x) + b.
Cov(Ax + b) = ACov(x)A′ .
Si Bp×q es una matriz y y un vector aleatorio de orden q, entonces
Cov(Ax, By) = ACov(x, y)B ′ .
70 / 79
Estadı́stica Paramétrica Vectores aleatorios
¡Hora de ejercitarse!
1 Sean Xi , i = 1, 2, . . . , n variables aleatorias i.i.d. con E(Xi ) = α y
var(Xi ) = σ 2 ; además x = (X1 , X2 , . . . , Xn )′ . Entonces calcule la
1′ x
esperanza y varianza de nn .
2 Sean x e y dos vectores aleatorios de orden n. Si Cov(x, y) = αIn ,
con α ∈ R. Calcule Cov(Ax, By) donde A = In − n1 Jn y B = Jn .
71 / 79
Estadı́stica Paramétrica Propiedades de independencia
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
72 / 79
Estadı́stica Paramétrica Propiedades de independencia
73 / 79
Estadı́stica Paramétrica Propiedades de independencia
Propiedades de independencia
1 Sean X1 , X2 , . . . , Xn variables aleatorias independientes, entonces:
f(X1 ,X2 ,...,Xn ) (x1 , x2 , . . . , xn ) = ∏ni=1 fXi (xi ).
E(∏ni=1 Xi ) = ∏ni=1 E(Xi ).
Cov(Xi , Xj ) = 0 para i ≠ j.
2 Si x e y son vectores aleatorios independientes, entonces f (x) y g(y)
son independientes, siendo f (.) y g(.) funciones medibles.
74 / 79
Estadı́stica Paramétrica Función generatriz de momentos
1 Álgebra Matricial
Matrices
Operaciones y propiedades de matrices
Partición de matrices y sus propiedades
Vectorización, suma directa y producto de Kronecker
2 Álgebra Lineal
Autovalores y autovectores
Diagonalización de matrices
Formas cuadráticas
Derivada vectorial
3 Estadı́stica Paramétrica
Vectores aleatorios
Propiedades de independencia
Función generatriz de momentos
75 / 79
Estadı́stica Paramétrica Función generatriz de momentos
dk Mx (t)
Si x es una variable aleatoria, entonces E(xk ) = dtk
∣t=0
A una f.g.m le corresponde una y solo una función de densidad.
76 / 79
Estadı́stica Paramétrica Función generatriz de momentos
Propiedades
Sea y = (y1′ ∣y2′ ∣ . . . ∣ym
′ ′
) un vector aleatorio de orden n e yi es un
vector aleatorio de orden ni tal que ∑m i=1 ni = n. Entonces
y1 , y2 , . . . , ym son independientes si y solo si My (t) = ∏mi=1 Myi (ti )
donde ti ∈ Rni para i = 1, 2, . . . , m.
Sea Am×n una matriz de constantes y bm×1 un vector de constantes.
Si x es un vector aleatorio de orden n ⇒ MAx+b (t) = et b Mx (A′ t).
′
dk Mx (t)
Si x es una variable aleatoria, entonces E(X k ) = dtk
∣t=0
A una f.g.m le corresponde una y solo una función de densidad.
77 / 79
Estadı́stica Paramétrica Función generatriz de momentos
¡Hora de ejercitarse!
1 Si X ∼ N (µ, σ 2 ), calcule la f.g.m. de X.
2 Si X ∼ χ2 (n), calcule la f.g.m. de X.
3 Sean Y1 , Y2 , . . . , Yn variables aleatorias independientes, pruebe que
n
M∑ni=1 Yi (t) = ∏ MYi (t)
i=1
¿Preguntas?
79 / 79