Repaso de Conceptos Básicos

Teorı́a y Práctica

Christian Amao Suxo

Escuela Profesional de Ingenierı́a Estadı́stica

Universidad Nacional de Ingenierı́a

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

¿Qué es una matriz?

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

¿Qué es una matriz?

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

¿Qué tipo de matrices existen?

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

¿Qué tipo de matrices existen?

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

¿Qué tipo de matrices existen?

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

¿Qué tipo de matrices existen?

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

¿Qué tipo de matrices existen?

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

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij ) matrices del mismo orden,
entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n y n × q
respectivamente, entonces Cm×q = AB = (cij )/cij = ∑nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A′ = (aji )n×m
Traza: Si A es una matriz cuadrada de orden n, su traza se define
como tr(A) = ∑ni=1 aii

12 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij ) matrices del mismo orden,
entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n y n × q
respectivamente, entonces Cm×q = AB = (cij )/cij = ∑nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A′ = (aji )n×m
Traza: Si A es una matriz cuadrada de orden n, su traza se define
como tr(A) = ∑ni=1 aii

13 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij ) matrices del mismo orden,
entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n y n × q
respectivamente, entonces Cm×q = AB = (cij )/cij = ∑nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A′ = (aji )n×m
Traza: Si A es una matriz cuadrada de orden n, su traza se define
como tr(A) = ∑ni=1 aii

14 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij ) matrices del mismo orden,
entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n y n × q
respectivamente, entonces Cm×q = AB = (cij )/cij = ∑nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A′ = (aji )n×m
Traza: Si A es una matriz cuadrada de orden n, su traza se define
como tr(A) = ∑ni=1 aii

15 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij ) matrices del mismo orden,
entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n y n × q
respectivamente, entonces Cm×q = AB = (cij )/cij = ∑nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A′ = (aji )n×m
Traza: Si A es una matriz cuadrada de orden n, su traza se define
como tr(A) = ∑ni=1 aii

16 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cómo operar con matrices?

Operaciones con matrices

Suma y resta: Sean A = (aij ) y B = (bij ) matrices del mismo orden,
entonces C = A ± B = (aij ± bij )
Producto: Sean A y B dos matrices de orden m × n y n × q
respectivamente, entonces Cm×q = AB = (cij )/cij = ∑nk=1 aik bkj
Inversa: Sea An×n una matriz cuadrada. Se dice que A−1 es la
inversa de A si y solo si AA−1 = A−1 A = In
Transpuesta: Si A = (aij )m×n , entonces la transpuesta de esta
matriz se define como A′ = (aji )n×m
Traza: Si A es una matriz cuadrada de orden n, su traza se define
como tr(A) = ∑ni=1 aii

Observación: ¡No todas las matrices cuadradas poseen inversa!

17 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Existen algunas operaciones especiales en matrices?

Rango de una matriz

Sea Am×n una matriz. El rango se define como el número de columnas o
filas linealmente independientes. Se simboliza mediante ran(A) y tiene las
siguientes propiedades:
El número de filas l. i. es igual al número de columnas l.i.
ran(A) ≤ min{m, n}.
ran(A) = ran(A′ ) = ran(AA′ ) = ran(A′ A).

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

¿Existen algunas operaciones especiales en matrices?

Rango de una matriz

Sea Am×n una matriz. El rango se define como el número de columnas o
filas linealmente independientes. Se simboliza mediante ran(A) y tiene las
siguientes propiedades:
El número de filas l. i. es igual al número de columnas l.i.
ran(A) ≤ min{m, n}.
ran(A) = ran(A′ ) = ran(AA′ ) = ran(A′ A).

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

¿Existen algunas operaciones especiales en matrices?

Determinante de una matriz

Sea A = (aij )n×n una matriz cuadrada. El operador determinante es una
función det ∶ Rn×n → R definida como det(A) = ∑nj=1 aij Aij donde i es
cualquier valor fijo entre 1 y n y Aij es el cofactor correspondiente al
elemento aij . Este operador presenta las siguientes propiedades:
Si A es una matriz diagonal, triangular superior o inferior; entonces
det(A) = ∏ni=1 aii .
det(A) = det(A′ ).
Dadas An×n y Bn×n , entonces det(AB) = det(A)det(B).
Sea c ∈ R, entonces det(cA) = cn det(A).
Si det(A) ≠ 0, entonces det(A−1 ) = 1
det(A) .

20 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Existen algunas operaciones especiales en matrices?

Determinante de una matriz

Sea A = (aij )n×n una matriz cuadrada. El operador determinante es una
función det ∶ Rn×n → R definida como det(A) = ∑nj=1 aij Aij donde i es
cualquier valor fijo entre 1 y n y Aij es el cofactor correspondiente al
elemento aij . Este operador presenta las siguientes propiedades:
Si A es una matriz diagonal, triangular superior o inferior; entonces
det(A) = ∏ni=1 aii .
det(A) = det(A′ ).
Dadas An×n y Bn×n , entonces det(AB) = det(A)det(B).
Sea c ∈ R, entonces det(cA) = cn det(A).
Si det(A) ≠ 0, entonces det(A−1 ) = 1
det(A) .

21 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Qué propiedades más existen?

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.

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 .
′ ′

22 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Qué propiedades más existen?

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

¿Cuáles son las matrices más importantes del curso?

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.

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?
24 / 79
 Álgebra Matricial Operaciones y propiedades de matrices

¿Cuáles son las matrices más importantes del curso?

Matrices especiales
Sea An×n una matriz cuadrada, esta es:
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

¿Qué es una partición de matrices?

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

donde Aij es de orden mi × nj , para i, j = 1, 2 tal que m1 + m2 = m y

n1 + n2 = n.

Observación: También se pueden realizar solo cortes horizontales o solo

cortes verticales para particionar las matrices.

27 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué es una partición de matrices?

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

donde Aij es de orden mi × nj , para i, j = 1, 2 tal que m1 + m2 = m y

n1 + n2 = n.

Observación: Solo se pueden realizar cortes horizontales o verticales para

particionar las matrices.

28 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Sean An×n y Bn×n matrices particionadas de la siguiente manera:

A11 A12 B B12

A=( ) ; B = ( 11 )
A21 A22 B21 B22
donde Aij es de orden mi × nj y Bij es de orden ki × lj , para i, j, k, l = 1, 2
tal que m1 + m2 = n1 + n2 = k1 + k2 = l1 + l2 = n.
Suma y Resta: Si mi = ki y nj = lj para i, j = 1, 2, entonces:

A11 + B11 A12 + B12

A+B =( )
A21 + B21 A22 + B22

Producto: Si ni = ki para i = 1, 2, entonces:

A11 B11 + A12 B21 A11 B12 + A12 B22
AB = ( )
A21 B11 + A22 B21 A21 B12 + A22 B22
29 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Sean An×n y Bn×n matrices particionadas de la siguiente manera:

A11 A12 B B12

A=( ) ; B = ( 11 )
A21 A22 B21 B22
donde Aij es de orden mi × nj y Bij es de orden ki × lj , para i, j, k, l = 1, 2
tal que m1 + m2 = n1 + n2 = k1 + k2 = l1 + l2 = n.
Suma y Resta: Si mi = ki y nj = lj para i, j = 1, 2, entonces:

A11 ± B11 A12 ± B12

A±B =( )
A21 ± B21 A22 ± B22

Producto: Si ni = ki para i = 1, 2, entonces:

A11 B11 + A12 B21 A11 B12 + A12 B22
AB = ( )
A21 B11 + A22 B21 A21 B12 + A22 B22
30 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Sean An×n y Bn×n matrices particionadas de la siguiente manera:

A11 A12 B B12

A=( ) ; B = ( 11 )
A21 A22 B21 B22
donde Aij es de orden mi × nj y Bij es de orden ki × lj , para i, j, k, l = 1, 2
tal que m1 + m2 = n1 + n2 = k1 + k2 = l1 + l2 = n.
Suma y Resta: Si mi = ki y nj = lj para i, j = 1, 2, entonces:

A11 ± B11 A12 ± B12

A±B =( )
A21 ± B21 A22 ± B22

Producto: Si ni = ki para i = 1, 2, entonces:

A11 B11 + A12 B21 A11 B12 + A12 B22
AB = ( )
A21 B11 + A22 B21 A21 B12 + A22 B22
31 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas

Transpuesta: Sea A particionada como antes, entonces la
transpuesta de A es como sigue:

A′11 A′21
A′ = ( )
A′12 A′22

Si A fuese particionada por filas y B particionada por columnas; ¿qué

forma tendrı́a el producto AB?
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?
Si A fuese particionada en 4 bloques (2 × 2) donde A12 y A21 fuesen
matrices nulas, ¿qué propiedades habrı́a si A fuese idempotente?.
32 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Operaciones con matrices particionadas
Transpuesta: Sea A particionada como antes, entonces la
transpuesta de A es como sigue:

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

¿Qué operaciones puedo hacer con matrices particionadas?

Determinante de matrices particionadas

Sea A una matriz particionada como sigue:

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 ∣.

Note que si A11 y A22 son inversibles, entonces:

∣A11 ∣∣A22 − A21 A−1 −1

11 A12 ∣ = ∣A22 ∣∣A11 − A12 A22 A21 ∣ (1)

34 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

Inversa de matrices particionadas

Sea A una matriz particionada como en la slide anterior tal que A11 y A22
son inversibles, entonces la inversa de A viene dada por:

A11 A12
A−1 = ( ),
A21 A22
donde:

A11 = (A11 − A12 A−1

22 A21 )
−1
(2)
A = (A22 − A21 A−1
22
11 A12 )
−1
(3)
A 12
= −A11 A12 A−1 −1
22 = −A11 A12 A
22
(4)
A 21
= −A22 A21 A−1 −1
11 = −A22 A21 A
11
(5)

35 / 79
 Álgebra Matricial Partición de matrices y sus propiedades

¿Qué operaciones puedo hacer con matrices particionadas?

¡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:

(Ψ + LL′ )−1 = Ψ−1 [Ψ − L(In + L′ Ψ−1 L)−1 L′ ] Ψ−1

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

¿Qué es el operador vectorización?

Vectorización de una matriz

Sea Am×n una matriz cualquiera. La vectorización es una operación que
transforma las matrices en vectores. Si A es particionada por columnas
como A = [v1 ∣v2 ∣ . . . ∣vn ] entonces el operador V ec se define como:

⎡ v1 ⎤
⎢ ⎥
⎢ ⎥
⎢ v2 ⎥
V ec(A) = ⎢ ⎥
⎢ ⋮ ⎥
⎢ ⎥
⎢ ⎥
⎣ vn ⎦

Si A y B son matrices del mismo orden ⇒ V ec(A ± B) = V ec(A ± B).

Si α ∈ R ⇒ V ec(αA) = αV ec(A).
Sean Am×n y Bn×q dos matrices. ⇒ tr(AB) = V ec(A′ )′ V ec(B)

38 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador vectorización?

Vectorización de una matriz
Sea Am×n una matriz cualquiera. La vectorización es una operación que
transforma las matrices en vectores. Si A es particionada por columnas
como A = [v1 ∣v2 ∣ . . . ∣vn ] entonces el operador V ec(.) se define como:

⎡ 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

¿Cómo se define el operador suma directa?

Operador suma directa

Sean A1 , A2 , . . . , Ak matrices de órdenes mi × ni (i = 1, . . . , k). La suma
directa de A1 , A2 , . . . , Ak es una matriz bloque-diagonal de orden m × n,
con m = ∑ki=1 mi y n = ∑ki=1 ni , definida por
k
⊕ Ai = diag(A1 , A2 , . . . , Ak ).
i=1

Propiedades de la suma directa

Si Ai y Bi son del mismo orden para i = 1, . . . , n, entonces

⊕ni=1 Ai ± ⊕ni=1 Bi = ⊕ni=1 (Ai ± Bi ).

40 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Cómo se define el operador suma directa?

Propiedades de la suma directa

Si el producto Ai Bi está bien definido para i = 1, . . . , n, entonces

[⊕ni=1 Ai ] [⊕ni=1 Bi ] = ⊕ni=1 Ai Bi .

Sean Ai matrices, entonces

′
a. [⊕ni=1 Ai ] = ⊕ni=1 A′i .
b. ran(⊕ni=1 Ai ) = ∑ni=1 ran(Ai ).
Si Ai son matrices cuadradas para i = 1, . . . , n, entonces
a. tr(⊕ni=1 Ai ) = ∑ni=1 tr(Ai ).
b. det(⊕ni=1 Ai ) = ∏ni=1 det(Ai ).
−1
c. Si det(Ai ) ≠ 0, entonces [⊕ni=1 Ai ] = ⊕ni=1 A−1
i .

41 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador 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

¿Qué es el operador 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 ⎥
⎣ ⎦

Propiedades del producto de Kronecker

(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)
43 / 79
 Álgebra Matricial Vectorización, suma directa y producto de Kronecker

¿Qué es el operador producto de Kronecker?

Propiedades del producto de Kronecker

A ⊗ (B + C) = (A ⊗ B) + (A ⊗ C).
(A ⊗ B)′ = (A′ ⊗ B ′ ).
tr(A ⊗ B) = tr(A)tr(B) y ran(A ⊗ B) = ran(A)ran(B).
Sean Am×m y Bn×n dos matrices cuadradas ⇒ ∣A ⊗ B∣ = ∣A∣n ∣B∣m .
Sean Am×m y Bn×n dos matrices inversibles entonces se cumple que

(A ⊗ B)−1 = A−1 ⊗ B −1

Sean An×p , Xp×q y Bq×r matrices, entonces

V ec(AXB) = (B ′ ⊗ A)V ec(X)

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

¿Qué son los autovalores y autovectores?

Autovalores y autovectores
Sea A una matriz cuadrada de orden n. Diremos que un escalar λ ∈ C es
un autovalor de A si existe un vector v ∈ Cn , v ≠ 0 tal que Av = λv, en
cuyo caso se dice que v es un autovector de A asociado al autovalor λ.

Fig. 1: Visualización geométrica del concepto de autovalor y autovector en R2

47 / 79
 Álgebra Lineal Autovalores y autovectores

¿Cómo calcular los autovalores y autovectores?

Cálculo de autovalores y autovectores
Autovalores: Polinomio caracterı́stico → det(A − λIn ) = 0
Autovectores: Es el conjunto formado por {x ∈ Cno /Ax = λx}
Espectro de A: σ(A) = {λ ∈ C/det(A − λIn ) = 0}
Autoespacio generado por λ: V (λ) = {x ∈ Cn /Ax = λx} ∪ {0}

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.
48 / 79
 Álgebra Lineal Autovalores y autovectores

¿Cómo calcular los autovalores y autovectores?

Cálculo de autovalores y autovectores
Autovalores: Polinomio caracterı́stico → det(A − λIn ) = 0
Autovectores: Es el conjunto formado por {x ∈ Cno /Ax = λx}
Espectro de A: σ(A) = {λ ∈ C/det(A − λIn ) = 0}
Autoespacio generado por λ: V (λ) = {x ∈ Cn /Ax = λx} ∪ {0}

¡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

¿Cómo calcular los autovalores y autovectores?

Cálculo de autovalores y autovectores
Autovalores: Polinomio caracterı́stico → det(A − λIn ) = 0
Autovectores: Es el conjunto formado por {x ∈ Cno /Ax = λx}
Espectro de A: σ(A) = {λ ∈ C/det(A − λIn ) = 0}
Autoespacio generado por λ: V (λ) = {x ∈ Cn /Ax = λx} ∪ {0}

¡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

¿En qué consiste la 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)

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 .

52 / 79
 Álgebra Lineal Diagonalización de matrices

¿En qué consiste la 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

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

Si A posee n autovalores distintos ⇒ A es diagonalizable.

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).

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 .

54 / 79
 Álgebra Lineal Diagonalización de matrices

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

Corolario
Si A posee n autovalores distintos ⇒ A es diagonalizable.

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).

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 .

55 / 79
 Álgebra Lineal Diagonalización de matrices

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

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).

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 .
56 / 79
 Álgebra Lineal Diagonalización de matrices

¿Qué matrices son diagonalizables?

Teorema
An×n es diagonalizable ⇐⇒ A genera n autovectores l. i.

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

¿Qué tanto has aprendido?

¡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

¿Qué es una forma cuadrática?

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

¿Qué es una forma cuadrática?

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

¿Qué tipos de formas cuadráticas existen?

Tipos de Formas Cuadráticas

Matriz Definida Positiva: Si x′ Ax > 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Positiva: Si x′ Ax ≥ 0, ∀x ∈ Rn − {0}
Matriz Definida Negativa: Si x′ Ax < 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Negativa: Si x′ Ax ≤ 0, ∀x ∈ Rn − {0}

A es definida positiva (negativa) ⇐⇒ λi > 0 (< 0), ∀λi ∈ σ(A).

A es semidefinida positiva (negativa) ⇐⇒ λi ≥ 0 (≤ 0), ∀λi ∈ σ(A).

62 / 79
 Álgebra Lineal Formas cuadráticas

¿Qué tipos de formas cuadráticas existen?

Tipos de Formas Cuadráticas

Matriz Definida Positiva: Si x′ Ax > 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Positiva: Si x′ Ax ≥ 0, ∀x ∈ Rn − {0}
Matriz Definida Negativa: Si x′ Ax < 0, ∀x ∈ Rn − {0}
Matriz Semidefinida Negativa: Si x′ Ax ≤ 0, ∀x ∈ Rn − {0}

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

¿Qué tanto has aprendido?

¡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

¿Cómo se derivan funciones vectoriales?

Derivadas de funciones vectoriales

Si x = (x1 , x2 , . . . , xn )′ y y = (y1 , y2 , . . . , ym )′ tal que yi = yi (x) para
i = 1, . . . , m. Entonces la derivada de y respecto a x se define como:
⎡ ∂y1 ∂y2 ∂ym ⎤
⎢ ∂x1 ... ∂x1 ⎥
⎢ ∂y1 ∂x1
∂ym ⎥
dy′ dy1 dy2 dym ⎢ ∂y2
... ⎥
=[ ∣ ∣...∣ ] = ⎢⎢ ∂x2 ∂x2 ∂x2 ⎥
dx dx dx dx ⎢ ⋮ ⋮ ⋱ ⋮ ⎥⎥
⎢ ∂y1 ∂ym ⎥
⎢ ∂y2
... ⎥
⎣ ∂xn ∂xn ∂xn ⎦

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

¿Qué es un vector aleatorio?

Vectores aleatorios
x = (X1 , X2 , . . . , Xn )′ es una vector aleatorio si y solo si cada componente
Xi es una variable aleatoria.
Parámetros de un vector aleatorio:
Esperanza: Sea x un vector aleatorio de orden n, entonces
µ = E(x) = (E(X1 ), E(X2 ), . . . , E(Xn ))′ .
Matriz de Dispersión: Sea x un vector aleatorio de orden n,
entonces Σ = Cov(x) = E{(x − E(x))(x − E(x))′ }.

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

¿Qué es un vector aleatorio?

Vectores aleatorios
x = (X1 , X2 , . . . , Xn )′ es una vector aleatorio si y solo si cada componente
Xi es una variable aleatoria.
Parámetros de un vector aleatorio:
Esperanza: Sea x un vector aleatorio de orden n, entonces
µ = E(x) = (E(X1 ), E(X2 ), . . . , E(Xn ))′ .
Matriz de Dispersión: Sea x un vector aleatorio de orden n,
entonces Σ = Cov(x) = E{(x − E(x))(x − E(x))′ }.

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

¿Qué propiedades existen respecto a la media y varianza?

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 ′ .

Si xi , i = 1, 2, . . . , n son variable 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 .
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 .

70 / 79
 Estadı́stica Paramétrica Vectores aleatorios

¿Qué propiedades existen respecto a la media y varianza?

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 ′ .

¡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

¿Qué implica la independencia de dos vectores aleatorios?

Vectores aleatorios independientes

Dos vectores aleatorios son independientes si cada componente aleatorio
de un vector es independiente de cada componente del otro vector.
Matemáticamente:

x e y son independientes ⇐⇒ f(x,y) (x, y) = fx (x)fy (y).

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.

73 / 79
 Estadı́stica Paramétrica Propiedades de independencia

¿Qué implica la independencia de dos vectores aleatorios?

Vectores aleatorios independientes

Dos vectores aleatorios son independientes si cada componente aleatorio
de un vector es independiente de cada componente del otro vector.
Matemáticamente:

x e y son independientes ⇐⇒ f(x,y) (x, y) = fx (x)fy (y).

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

¿Qué es la función generatriz de momentos?

Función generatriz de momentos

Sea x un vector aleatorio de orden n. Su función generatriz de momentos
(f.g.m) se define como Mx (t) = E(et x ), ∀t ∈ Bδ (0) ⊆ Rn con δ > 0.
′

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(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

¿Qué es la función generatriz de momentos?

Función generatriz de momentos

Sea x un vector aleatorio de orden n. Su función generatriz de momentos
(f.g.m) se define como Mx (t) = E(et x ), ∀t ∈ Bδ (0) ⊆ Rn con δ > 0.
′

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

¿Qué tanto has aprendido?

¡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

4 Sean Z1 , Z2 , . . . , Zn variables aleatorias i.i.d. con distribución normal

estándar. Halle la distribución de ∑ni=1 Zi2 .
5 Sean Y1 , Y2 , . . . , Yn variables aleatorias independientes tal que
Yi ∼ χ2 (ni ). Calcule la distribución de ∑ni=1 Yi .
6 Sean Y1 , Y2 , . . . , Yn variables aleatorias independientes tal que
Yi ∼ N (µi , σi2 ). Calcule la distribución de ∑ni=1 ai Yi con ai ∈ R.
78 / 79
Estadı́stica Paramétrica Función generatriz de momentos

¿Preguntas?

79 / 79