Tema 2. Distribuciones propias del análisis multivariante.
|
|
- David Camacho Padilla
- hace 6 años
- Vistas:
Transcripción
1 Tema 2. Distribuciones propias del análisis multivariante. Concepto de matriz aleatoria Una matriz aleatoria de orden n p es una función medible X sobre un espacio de probabilidad (Ω, A, P con valores en M n,p, el espacio de las matrices de n filas y p columnas. Se denota X = (X i j donde 1 i n, 1 j p. La matriz de medias, E[X] = (E[X i j ], conserva algunas propiedades de la esperanza: E[X 1 + ] = E[X 1 ] + E[ ] Si A, B y C son matrices constantes E[AXB + C] = AE[X]B + C vec(e[x] = E[vec(X]. También podemos definir la covarianza matricial Covm(X = Cov(vec(X. La función característica de una matriz aleatoria se define como: Sus propiedades: ϕ X (s = E[exp{i tr(s t X}] = E[exp{i vec(s vec(x}] = ϕ vec(x (vec(s, s M n,p ϕ X t(s = ϕ X (s t. Si X = (X 1 con X 1 M n,k (k < p y s 1 M n,k entonces ϕ (s 1 = ϕ X (s 1 0. ϕ AXB+C (s = exp{i tr(s t C}ϕ X (A t sb t. Si X = (X 1... X k y s = (s 1... s k entonces las submatrices X 1,..., X k son independientes si y sólo si ϕ X (s = ϕ (s 1... ϕ Xk (s k 2.1 Distribución normal matricial. Sea µ = (µ i j una matriz de orden n p y sean Γ = (γ i j y (σ i j matrices cuadradas simétricas y semidefinidas positivas de órdenes n y p, respectivamente. DEFINICIÓN. Diremos que la matriz aleatoria de orden n p, X = (X i j sigue distribución normal matricial de parámetros µ, Γ y Σ si en cuyo caso denotaremos X N n,p (µ, Γ, Σ vec(x N np (vec(µ, Γ Σ Es fácil deducir a partir de las propiedades de la normal multivariante y del producto de Kronecker que la función característica de la normal matricial es: { ϕ X (s = ϕ vec(x (vec(s = exp i tr(s t µ 1 } 2 tr(st ΓsΣ, s M n,p Si Γ y Σ son definidas positivas, la función de densidad de X es f (x = 1 (2π np/2 Γ p/2 Σ n/2 exp{ 1 2 tr((x µt Γ 1 (x µσ 1 }, x M n,p Por último es inmediato comprobar que E[X] = µ y Covm(X = Γ Σ. 1
2 Propiedades de la distribución normal matricial. Supongamos que X N n,p (µ, Γ, Σ, (Matriz traspuesta X t N p,n (µ t, Σ, Γ. Si p = 1 y σ 2 0 entonces X N n (µ, σ 2 Γ. Si n = 1 y Γ = γ 2 0 entonces X t N n (µ, γ 2 Γ. Si a R, entonces ax N n,p (aµ, a 2 Γ, N n,p (aµ, Γ, a 2 Σ (Transformaciones lineales Si C M m,n, D M p,r y H M m,r, entonces CXD + H N m,r (CµD + H, CΓC t, D t ΣD (Distribuciones marginales por columnas Sea p = p 1 + p 2. Si X = (X 1, µ = (µ 1 µ 2 y ( Σ t con X i, µ i M n,pi y Σ ii M pi i = 1, 2, entonces X i N n,pi (µ i, Γ, Σ ii, i = 1, 2 (Distribuciones condicionadas por columnas Sea p = p 1 + p 2. Si X = (X 1, µ = (µ 1 µ 2 y ( Σ t con X i, µ i M n,pi y Σ ii M pi i = 1, 2, entonces dado x 2 M n,p2, la distribución de X 1 condicionada a que = x 2 es N n,p1 (µ 1 + (x 2 µ 2 Σ 1 22 Σt, Γ, Σ 11 Σ Σ 1 22 Σt (Distribuciones marginales por filas Sea n = n 1 + n 2. Si ( ( ( µ1 X =, µ = y Γ = Γ t µ 2 con X i, µ i M ni,p y Γ ii M ni i = 1, 2, entonces X i N ni,p(µ i, Γ ii, Σ, i = 1, 2 (Distribuciones condicionadas por filas Sea n = n 1 + n 2. Si ( ( ( µ1 X =, µ = y Γ = Γ t µ 2 i = 1, 2, entonces, dado x 2 M n2,p, la distribución de X 1 condi- con X i, µ i M ni,p y Γ ii M ni cionada a que = x 2 es N n1,p(µ 1 + Γ Γ 1 22 (x 2 µ 2, Γ 11 Γ Γ 1 22 Γt, Σ 2
3 Resultados sobre la independencia de ciertas funciones de una normal matricial. INDEPENDENCIA DE SUBMATRICES DE UNA NORMAL MATRICIAL. Supongamos que X N n,p (µ, Γ, Σ. Por columnas Sea p = p 1 + p 2. Supongamos que X = (X 1 y ( Σ t con X i, M n,pi y Σ M p1,p 2. Supongamos además que Γ 0. Entonces X 1, son independientes si y sólo si Σ = 0 Por filas Sea n = n 1 + n 2. Supongamos que X = ( ( y Γ = Γ t con X i M ni,p y Γ M n1,n 2. Supongamos además que Σ 0. Entonces X 1, son independientes si y sólo si Γ = 0 INDEPENDENCIA DE TRANSFORMACIONES LINEALES DE UNA NORMAL MATRICIAL. Supongamos que X N n,p (µ, I n, Σ con Σ 0. Sean A M m,n y B M r,n. Entonces AX, BX son independientes si y sólo si AB t = 0 INDEPENDENCIA DE FORMAS CUADRÁTICAS GENERALIZADAS ASOCIADAS A UNA NORMAL MATRICIAL. Una transformación lineal y una forma cuadrática Supongamos que X N n,p (µ, I n, Σ con Σ 0. Sea A M m,n y sea B M n una matriz simétrica y semidefinida positiva. Si AB = 0, entonces AX y X t BX son independientes. Dos formas cuadráticas Supongamos que X N n,p (µ, I n, Σ con Σ 0. Sean A y B M n matrices simétricas y semidefinidas positivas. Rango de una normal matricial. Si AB = 0, entonces X t AX y X t BX son independientes. Si X N n,p (µ, Γ, Σ con p n y Γ, Σ definidas positivas, entonces P(r(X = p = 1. 3
4 2.2 Distribuciones de Wishart y Hotelling Distribución de Wishart DEFINICIÓN Sea Y una matriz aleatoria con distribución N n,p (0, I n, Σ, siendo Σ semidefinida positiva. Se denomina distribución de Wishart de parámetros p, n y Σ a la distribución de la matriz aleatoria cuadrada p-dimensional W = Y t Y y denotaremos por W W p (n, Σ. Dicho de otro modo, si Y 1,..., Y n son vectores aleatorios p-dimensionales, independientes idénticamente distribuidos con distribución N p (0, Σ entonces la distribución Wishart de parámetros p, n y Σ es la de la matriz aleatoria W = n Y i Y t i. Nótese que en la definición original estos vectores forman las filas de la matriz Y. Si p = 1 y σ 2, entonces W 1 (n, σ 2 = σ 2 χ 2 (n. Evidentemente si σ 2 = 1 obtenemos la distribución chi-cuadrado con n grados de libertad. DEFINICIÓN (Wishart no central Sea Y una matriz aleatoria con distribución N n,p (µ, I n, Σ, siendo Σ semidefinida positiva. Denotemos por δ a la matriz cuadrada p-dimensional semidefinida positiva δ = µ t µ. Se denomina distribución de Wishart no central de parámetros p, n, Σ y δ a la distribución de la matriz aleatoria cuadrada p-dimensional W = Y t Y y denotaremos por W W p (n, Σ, δ. Dicho de otro modo, si Y 1,..., Y n son vectores aleatorios p-dimensionales, independientes con distribuciones respectivas N p (µ i, Σ, i = 1,..., n, entonces la distribución Wishart de parámetros p, n, Σ y δ es la de la matriz aleatoria W = n Y i Y t i. En este caso, la matriz µ de la definición original se particionaría µ t = (µ 1... µ n y por tanto δ = n µ i µ t i. Nótese que la distribución Wishart será centrada si el parámetro de descentralización δ = 0. Propiedades de la distribución Wishart. Si W W p (n, Σ, δ entonces E[W] = nσ + δ. Si a R + y W W p (n, Σ, δ entonces aw W p (n, aσ, aδ. Si W W p (n, Σ, δ y A M r,p entonces AWA t W r (n, AΣA t, AδA t. (Marginales de una Wishart Sean p = p 1 + p 2, W W p (n, Σ, δ y consideremos las siguientes descomposiciones: ( ( ( W11 W W = W t, δ11 δ W 22 Σ t y δ = δ t δ 22 con W ii, Σ ii, δ ii matrices cuadradas de orden p i, i = 1, 2. Entonces W ii W pi (n, Σ ii, δ ii, i = 1, 2. (rango de una Wishart Si W W p (n, Σ, δ y Σ es definida positiva entonces P( W 0 = 1, es decir, W es definida positiva casi seguramente. (suma de Wisharts independientes Si W 1 W p (n 1, Σ y W 2 W p (n 2, Σ son independientes, entonces W 1 + W 2 W p (n 1 + n 2, Σ. Distribución de formas cuadráticas matriciales Sea Y N n,p (µ, I n, Σ y sea A una matriz cuadrada de orden n y rango k, simétrica. Si A es idempotente, entonces Y t AY W p (k, Σ, µ t Aµ. 4
5 Otros resultados relativos a la distribución de Wishart. Sea W W p (n, Σ con n p y Σ definida positiva. Supongamos p = p 1 + p 2 y consideremos las siguientes descomposiciones de W y Σ: ( ( W11 W W = W t, W 22 Σ t con W ii, Σ ii matrices cuadradas de orden p i, i = 1, 2. Denotemos por Σ 11 2 = Σ 11 Σ Σ 1 22 Σt. Si U = W 1 22 Wt, entonces la distribución de U condicionada a W 22 es N p2,p 1 (Σ 1 22 Σt, W 1 22, Σ Si V = W 11 W W 1 22 Wt, entonces V es independiente de (U, W 22 y V W p1 (n p 2, Σ Por último establecemos la siguiente relación entre la distribución de Wishart y la chi cuadrado: Si y R p \{0} entonces Distribución T 2 de Hotelling y t Σ 1 y y t W 1 y χ2 (n p + 1 DEFINICIÓN Supongamos n p y Σ matriz cuadrada de orden p simétrica y definida positiva. Sean Y un vector aleatorio con distribución N p (0, Σ y W una matriz aleatoria con distribución W p (n, Σ independientes. Llamaremos distribución T 2 de Hotelling de parámetros p y n a la distribución de probabilidad de la variable aleatoria T = ny t W 1 Y, denotándose T T 2 (p, n. Si p = 1, entonces T 2 (1, n es el cuadrado de una distribución t de Student con n grados de libertad. DEFINICIÓN (T 2 de Hotelling no central Con las notaciones de la definición anterior, supongamos que µ R p y que Y tiene distribución N p (µ, Σ. Si denotamos por δ = µ t Σ 1 µ, llamaremos distribución T 2 de Hotelling no central de parámetros p, n y δ a la distribución de probabilidad de la variable aleatoria T = ny t W 1 Y, denotándose T T 2 (p, n, δ. Relación entre la distribución T 2 de Hotelling y la F de Snedecor. Supongamos n p y Σ matriz cuadrada de orden p simétrica y definida positiva. Sean Y un vector aleatorio con distribución N p (0, Σ y W una matriz aleatoria con distribución W p (n, Σ independientes. Entonces la variable aleatoria F = n p + 1 Y t W 1 Y p tiene distribución F(p, n p + 1. En consecuencia se verifica que T T 2 (p, n si y sólo si n p + 1 np T F(p, n p + 1 5
Tema 1. Preliminares. 1.1 Resultados algebraicos
Tema 1 Preliminares 11 Resultados algebraicos Consideraremos habitualmente matrices con coeficientes en R y, ocasionalmente, en C Denotaremos por a i j a los elementos de una matriz A, donde el subíndice
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesApuntes de modelos lineales
Apuntes de modelos lineales Clases Nos. 1 al 3 Ernesto Ponsot Balaguer Dr. en Estadística, MSc. en Estadística Aplicada, Ing. de Sistemas http://webdelprofesor.ula.ve/economia/ernesto E-mail: ernesto@ula.ve
Más detallesRepaso de álgebra de matrices y probabilidad. Javier Santibáñez (IIMAS, UNAM) Regresión Semestre / 58
Repaso de álgebra de matrices y probabilidad Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 58 Preliminares Definición (matriz) Una matriz de dimensión m n es un arreglo rectangular de números
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesEstadística III Repaso de Algebra Lineal
Repaso de Algebra Lineal Vectores Un vector columna de dimensión n 1 es una serie de números dispuestos como sigue: x 1 x 2 x =. x n Un vector fila de dimensión 1 p es una serie de números dispuestos como
Más detalles(DERIVADAS DE LA NORMAL)
DISTRIBUCIÓN NORMAL MULTIVARIANTE (DERIVADAS DE LA NORMAL) INTRODUCCIÓN PROPIEDADES LINEALIDAD DISTRIBUCIONES DERIVADAS DE LA NORMAL χ 2 DE PEARSON t DE STUDENT F DE SNEDECOR DISTRIBUCIÓN NORMAL MULTIVARIANTE
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesMa34a Probabilidades y Procesos Estocásticos 21 de Noviembre, Resumen No. 3
Ma34a Probabilidades y Procesos Estocásticos 21 de Noviembre, 2004 Resumen No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: M. Soto, R. Cortez 1 Variables Aleatorias 1.1 Variables Aleatorias Absolutamente
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 34 Álgebra matricial y vectores aleatorios Una matriz es un arreglo
Más detallesTema 1: Distribución normal multivariante
Tema 1: Distribución normal multivariante Amparo Baíllo Moreno Departamento de Matemáticas Universidad Autónoma de Madrid Vectores aleatorios Los datos multivariados son el resultado de observar un vector
Más detallesDistribuciones unidimensionales continuas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución uniforme continua 2 Estándar 3 Distribución χ 2 de Pearson 4 Distribución uniforme continua Definición Es una variable continua
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesContenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices
elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesAnálisis. Colección manuales uex Multivariante. Jesús Montanero Fernández (E.E.E.S.)
Análisis Multivariante Colección manuales uex - 59 (E.E.E.S.) 59 Jesús Montanero Fernández ANÁLISIS MULTIVARIANTE manuales uex 59 (E.E.E.S.) Espacio Europeo Educación Superior JESÚS MONTANERO FERNÁNDEZ
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales ALBERTO VIGNERON TENORIO Dpto. de Matemáticas Universidad de Cádiz Índice general 1. Sistemas de ecuaciones lineales 1 1.1. Sistemas de ecuaciones lineales. Definiciones..........
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesMultivariante Curso Cálculo matricial
Multivariante Curso 06-07 1 Cálculo matricial Introducción La información de partida en el análisis multivariante es una tabla de datos correspondiente a la medición de distintas variables sobre varios
Más detallesManejo de las tablas
Manejo de las tablas Pedro González enero de 008 Las tablas descargadas corresponden a las siguientes funciones de distribución, cuyas definiciones y propiedades más importantes se muestran a continuación..
Más detallesTema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané
Más detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
Más detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
Más detalles1 Vectores de R n. Tema 1. Álgebra matricial. 1.2 Dependencia lineal
Diplomatura en Estadística 1 Tema 1. Álgebra matricial 1. Vectores 1.1 Definiciones básicas 1.2 Dependencia lineal 2. Matrices 2.1 Rango de una matriz 2.2 Matrices cuadradas 3. Vectores y valores propios
Más detallesMovimientos. Teorema de Cartan-Dieudonné. Semejanzas.
Capítulo 5 Movimientos. Teorema de Cartan-Dieudonné. Semejanzas. 5.1 Isometrías y movimientos Partimos de un espacio euclídeo (X, V, +) y recordemos que una isometría de V es un elemento ϕ Gl(V ) que conserva
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesTema 6: Distribuciones Multivariantes
Tema : Distribuciones Multivariantes. Distribución conjunta de un vector aleatorio. Distribución conjunta de un vector aleatorio. Distribuciones marginales condicionadas.3 Independencia entre variables
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesMatrices y sistemas de ecuaciones
Matrices y sistemas de ecuaciones María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Matrices y sistemas de ecuaciones Matemáticas I 1 / 59 Definición de Matriz Matrices
Más detallesSistemas de ecuaciones lineales
CAPíTULO 6 Sistemas de ecuaciones lineales 1 Rango de una matriz a 11 a 1n Sea A = M m n (K) El rango por filas de la matriz A es la dimensión del a m1 a mn subespacio vectorial de K n generado por sus
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesf(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t).
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 20 de enero de 20 (2.5 p.) ) Se considera la aplicación lineal f : R 4 R definida por: f(x y
Más detallesAnálisis Multivariado. Leticia Gracia Medrano V
Análisis Multivariado Leticia Gracia Medrano V Septiembre 207 ii Capítulo Introducción Álgebra lineal Empezaremos tomando la siguiente matriz: X X 2 X j X p X 2 X 2 X 2j X 2p X = X i X i2 X ij X ip X n
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesOtras distribuciones multivariantes
Trabajo A Trabajos Curso -3 Otras distribuciones multivariantes Clase esférica de distribuciones en R p Definición. Dado un vector aleatorio X = X,..., X p t, se dice que se distribuye en la clase esférica
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
Más detalles4. Espacios vectoriales
Contents 4 Espacios vectoriales 2 4.1 Dependencia e independencia lineal.................................. 4 4.2 Subespacios vectoriales.............................................. 7 4.3 Bases y dimensión..................................................
Más detalles2. Álgebra matricial. Inversa de una matriz O B 1 O B 1. Depto. de Álgebra, curso
Depto de Álgebra, curso 2017-2018 2 Álgebra matricial Inversa de una matriz Ejercicio 21 Calcule la matriz inversa de cada una de las matrices siguientes: a 2 1 1 3 2 1 h e, b 2 1 1 5 2 3 2 0 1 1 2 1 1
Más detallesÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; (A ) = A. 2. La inversa de A 1 es A; (A 1 ) 1 = A. 3. (AB) = B A.
ÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; A = A. 2. La inversa de A 1 es A; A 1 1 = A. 3. AB = B A. 4. Las matrices A A y AA son simétricas. 5. AB 1 = B 1 A 1, si A y B son no singulares. 6. Los escalares
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesConstrucción de Paul Lévy del Movimiento Browniano Estándar, según P. Morters y Y. Peres. August 31, 2016
del Movimiento Browniano Estándar, según P. Morters y Y. Peres August 31, 016 Algunos preliminares Definición Una función de distribución (de probabilidades) es una función F : R R tal que 1. F es no decreciente.
Más detallesSea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares).
Capítulo 6 Espacios Vectoriales 6.1 Definiciones Sea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares). Definición 6.1.1 Se dice que
Más detallesBases y dimensión. Problemas teóricos. En todos los problemas se supone que V es un espacio vectorial sobre un campo F. p=1
Bases y dimensión Problemas teóricos Bases de un espacio vectorial En todos los problemas se supone que V es un espacio vectorial sobre un campo F. Definición de base. Sean b 1,..., b n V. Se dice que
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesSemana 14 [1/28] Matrices. 22 de julio de Matrices
Semana 14 [1/28] 22 de julio de 2007 Definiciones básicas Semana 14 [2/28] Definiciones básicas Matriz Una matriz A, de m filas y n columnas con coeficientes en el cuerpo à (en este apunte à será Ê ó C)
Más detallesVECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios
VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión
Más detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detallesAPÉNDICE A. Algebra matricial
APÉNDICE A Algebra matricial El estudio de la econometría requiere cierta familiaridad con el álgebra matricial. La teoría de matrices simplifica la descripción, desarrollo y aplicación de los métodos
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesPrácticas de Matemáticas II: Álgebra lineal
Prácticas de Matemáticas II: Álgebra lineal Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Prácticas de Matemáticas II: Álgebra lineal
Más detallesDescomposición del valor singular y sus aplicaciones
7 Descomposición del valor singular y sus aplicaciones Marlene J. Soldevilla Olivares William C. Echegaray Castillo Resumen El presente trabajo damos algunas propiedades de los valores singulares de una
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMatemática 2 MAT022. Clase 1 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María. Matrices
Matemática 2 MAT022 Clase 1 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María Tabla de Contenidos 1 Matrices Propiedades Tabla de Contenidos Matrices 1 Matrices Propiedades
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesMatrices. Álgebra de matrices.
Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,
Más detallesSobre vectores y matrices. Independencia lineal. Rango de una matriz
Espacios vectoriales Llamaremos R 2 al conjunto de todos los pares ordenados de la forma (a 1, a 2 ) tal que a 1, a 2 R. Es decir: R 2 = {(a 1, a 2 ) : a 1, a 2 R} De la misma forma: R 3 = {(a 1, a 2,
Más detallesEspacios vectoriales
CAPíTULO 2 Espacios vectoriales 1. Definición de espacio vectorial Es frecuente representar ciertas magnitudes físicas (velocidad, fuerza,...) mediante segmentos orientados o vectores. Dados dos de tales
Más detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
Más detallesAlgunos modelos clásicos de distribuciones asociadas a variables aleatorias discretas y absolutamente continuas
Algunos modelos clásicos de distribuciones asociadas a variables aleatorias discretas y absolutamente continuas Dpto. de Estadística e Investigación Operativa Universidad de Sevilla. Variables Aleatorias
Más detallesCapítulo V. T 2 (e, e
Capítulo V Métricas En este capítulo y en los siguientes, el cuerpo base de los espacios vectoriales que se consideren será de característica distinta de 2. Empecemos recordando las nociones básicas que
Más detallesEspacios vectoriales DEFINICIÓN. PRIMERAS PROPIEDADES
Espacios vectoriales DEFINICIÓN. PRIMERAS PROPIEDADES Definición 47. Se dice que un conjunto E, a cuyos elementos llamaremos vectores, es un espacio vectorial sobre el cuerpo (IK, +, ), cuyos elementos
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesEquivalencia de matrices. Sistemas de ecuaciones (Curso ) 1. Hallar la forma reducida equivalente por filas de la matriz:
ÁLGEBRA Práctica 4 Equivalencia de matrices. Sistemas de ecuaciones Curso 2008 2009 1. Hallar la forma reducida equivalente por filas de la matriz: 1 0 3 2 2 5 5 6 3 2 1 3 1 3 2. Obtener mediante transformaciones
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
Más detallesGustavo Rodríguez Gómez. Agosto Dicembre 2011
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2011 1 / 44 Capítulo III Descomposición de Matrices 2 / 44 1 Descomposición de Matrices Notación Matrices Operaciones con Matrices 2
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesTema 1: Matrices. Sistemas de ecuaciones. Determinantes
Tema 1: Matrices. Sistemas de ecuaciones. Determinantes José M. Salazar Octubre de 2016 Tema 1: Matrices. Sistemas de ecuaciones. Determinantes Lección 1. Matrices. Sistemas de ecuaciones. Determinantes
Más detallesMatrices y Determinantes
Tema 2 Matrices y Determinantes 21 Introducción Presentaremos en este tema las matrices y los determinantes, centrándonos en particualar en el caso de matrices constituidas por números reales 22 Matrices
Más detallesTEMA 7. Matrices y determinantes.
TEMA 7 Matrices y determinantes. 1. Matrices. Generalidades Definición 1 Sea E un conjunto cualquiera, m, n IN. Definimos matriz de orden m n sobre E a una expresión de la forma: a 11 a 12... a 1n a 21
Más detallesBreve introducción a Matrices
1 - Introducción Breve introducción a Matrices Def. 1.1 Llamaremos matriz de orden mxn a la disposición en m filas y n columnas de mxn números 1. Observación 1.1 Convendremos que los números a los que
Más detalles