Riesgo de tipos de interés Componentes principales
|
|
- Miguel Gutiérrez Páez
- hace 5 años
- Vistas:
Transcripción
1 Riesgo de tipos de interés Componentes principales 16 de mayo de 2006
2 Contenidos Componentes principales Componentes principales
3 Generalidades Componentes principales Controlar el comportamiento de la curva de tipos a través de un solo factor es, a menudo, escaso. En el otro extremo, utilizar una muestra de todos los factores y de sus evoluciones diarias (por ejemplo), puede ser excesivo. La técnica de componentes principales nos puede asistir para seleccionar una combinación adecuada de tipos, y de esta manera controlar a través de unos pocos factores los movimientos más relevantes de la curva.
4 Si tenemos una muestra de N variables aleatorias distintas, cada una de tamaño n (N podría ser el número de tipos de interés que podemos estimar en el mercado y n la cantidad de días que hemos observado, con n grande). Vamos a llamar x (j) al vector que indica la muestra j-ésima normalizada alrededor de la media. La longitud del vector x (j) es N para 1 j n. Si disponemos a los datos en una matriz X, donde las columnas indican la variable (los tipos centrados) y las filas nos indican la muestra seleccionada, tenemos que fila i := x (i) = (x (i) 1, x (i) 2,..., x (i) N )
5 X := x (1) 1 x (1) 2 x (1) N x (2). x (2) 1 x (2) 2 N x (n) 1 x (n) 2 x (n) N La matriz de covarianzas Cov de estos datos puede escribirse como: Cov ij = 1 n < c i, c j >= 1 n ( ) X T X ij de N N. donde aquí < c i, c j > representa el producto escalar entre vectores de dimensión n y c j representa el vector columna de la posición j (es decir, sus coordenadas son las n muestras de la variable fija x j ). Los vectores fila x (i) representan un punto en el espacio de dimensión N.
6 Podemos plantearnos ahora el problema siguiente: cuál es la dirección, en el espacio de dimensión N, para la cual la variabilidad de la muestra es máxima?
7 Por ejemplo, si tenemos n muestras para 2 tipos (cada vector x (i) tiene dos componentes), podemos pintar los puntos en el plano. Si centramos los datos en el origen (restando las medias), la dirección que buscamos corresponde a la que define la recta de regresión. Una forma de calcularla es la siguiente: denotemos por e al vector de norma 1 que nos da la dirección que queremos hallar. Ahora proyectamos los puntos sobre la recta en la dirección de e. La suma de las proyecciones elevadas al cuadrado vienen dadas por P(e) = n (< x (i), e >) 2 i=1 donde <, > denota el producto escalar, en este caso en R 2.
8 Podemos escribir directamente al vector e en términos de un ángulo θ n P(θ) = (x (i) (i) 1 cos(θ) + x 2 sen(θ))2 i=1 Si derivamos respecto de θ e igualamos a cero nos queda P (θ) = 2 n i=1 (x (i) 1 cos(θ)+x (i) 2 (i) (i) sen(θ))( x 1 sen(θ)+x 2 cos(θ)) = 0
9 Desarrollando los cálculos y teniendo en cuenta que n i=1 nos queda la condición x (i) k x (i) l =< c k, c l >= 2Cov kl < Cov e, e >= 0 Cov e = λe donde e es el vector ortogonal a e girando en el sentido positivo del ángulo, y para algún número λ. De este modo, λ debe ser un autovalor de la matriz de covarianzas y e un autovector correspondiente.
10 Si consideramos la base {e 1, e 2 } := {e, e } tenemos que ( λ1 0 Cov (e 1 e 2 ) = (e 1 e 2 ) 0 λ 2 ) con λ 1 λ 2 donde la máxima variabilidad se da en la dirección del autovector correspondiente al primer autovalor.
11 Esto se puede generalizar a más dimensiones utilizando multiplicadores de Lagrange. Obsérvese que la matriz de covarianzas en cualquier dimensión (número de variables) es simétrica y (semi) definida positiva. Podemos ver esto fácilmente a partir de la definición Cov ij = 1 n < c i, c j >= 1 n < c j, c i >= C ji.
12 Para ver que es definida positiva: < Cov v, v >= N i,j=1 Cov ijv i v j = 1 N n i,j=1 < c i, c j > v i v j = 1 n N n k=1 i,j=1 x (k) i x (k) j v i v j = 1 ( n N ) ( n k=1 i=1 x (k) N ) i v i j=1 x (k) j v j = 1 ( n N ) n k=1 i=1 x (k) 2 i v i 0 Obsérvese que si los datos caen sobre un subespacio de menor dimensión, podemos encontrar un v que sea ortogonal a todos ellos y por lo tanto la matriz de covarianzas no sería estrictamente definida positiva (sería semidefinida).
13 Después de calcular la matriz de covarianzas Cov y de obtener la base de autovectores correspondientes en las columnas de una matriz A podemos escribir Cov = ADA T donde D contiene los autovalores de Cov ( 0) ordenados de mayor a menor. Llamemos a estos autovectores e i, como en el ejemplo, ahora para 1 i N.
14 La matriz C := AD 1/2 se llama la matriz de componentes. Contiene las direcciones multiplicadas por la desviación estándar de los datos en esa dirección. Tiene la propiedad Cov = ( AD 1/2) ( AD 1/2) T = CC T Ilustración: Cálculo de la matriz de componentes para un conjunto de datos de tipos de interés. Ejercicio: Realizar el mismo cálculo para otros conjuntos de tipos de interés.
15 La idea de una componente principal es la de mirar los datos en las direcciones de los vectores e i, especialmente considerando a los primeros vectores de la lista, ya que nos aportarán las direcciones más importantes en cuanto a variabilidad de los datos.
16 Volviendo al ejemplo en dos variables, si todos los puntos cayeran sobre una recta nos bastaría con el vector e 1 para dar cuenta de todo lo que le sucede a los datos, ya que en la dirección de e 2 no habría ninguna variación (digamos que la varianza en la dirección de e 2 sería nula). Cómo podemos aprovechar esta información? Es evidente que en este caso extremo sólo necesitaríamos considerar a las proyecciones de los datos en la dirección de e 1. Sin embargo, si no es el caso que los datos estén sobre una recta, pero la variación en la dirección de e 2 es muy pequeña, esto nos indica que los datos serían muy planos, es decir que estarían casi sobre una recta y podríamos reducir la dimensión de nuestro problema.
17 Teniendo en mente estas reflexiones, definamos unas nuevas variables que sean las proyecciones de los datos x (i) sobre las direcciones principales. Por ejemplo p (i) 1 =< x (i), e 1 >, p (i) 2 =< x (i), e 2 >,..., p (i) N =< x(i), e N > Escrito de forma más compacta esto es p (i) = x (i) A donde ahora disponemos en el vector fila p (i) a las proyecciones de los datos x (i) sobre los autovectores, dispuestos en forma de columna en la matriz A.
18 Cuál sería ahora la matriz de covarianzas de los datos p (i)? Calculemos 1 n PT P = 1 n AT X T X A = A T Cov A = D de modo que las proyecciones son independientes y sus varianzas son idénticas a los autovalores!
19 Esto nos muestra que si los autovalores son muy pequeños entonces las proyecciones sobre el autovector correspondiente son también pequeñas. Si dejamos de lado deliberadamente los autovalores más pequeños, y sus correspondientes direcciones, podemos explicar aproximadamente el comportamiento de todos los datos con un número más reducido de variables de proyección, cuyas direcciones serán las más importantes de todas las componentes principales. Ilustracion: Comprobar que si eliminamos los autovalores pequeños obtenemos una matriz de covarianzas similar al hacer ADA T.
20 Si reemplazamos a la matriz P por una matriz P que tiene ceros en un número determinado de las últimas columnas, la matriz de covarianzas de P será ahora una diagonal D donde desaparecerán el número indicado de autovalores (que suponemos pequeños). Esto nos lleva a una nueva matriz de covarianzas y a una matriz de datos aproximados X al reemplazar a los vectores originales por sus proyecciones sobre las direcciones principales.
21 Podemos estimar el error cuadrático medio que se cometerá al reemplazar los datos X por los datos proyectados x (i) = p (i) 1 et p (i) N 1 et N 1 + p(i) N et N x (i) = p (i) 1 et p (i) k + 0 et k et N (los vectores e j son columna), escrito en forma compacta x (i) = p (i) A T x (i) = p (i) A T k
22 ECM = 1 n = 1 n n (x (i) x (i)) ( x (i) x (i)) T i=1 n i=1 ( p (i) p (i)) A T A (p (i) p (i)) T por ser A ortogonal = 1 n = n (p (i) p (i)) ( p (i) p (i)) T i=1 N j=k+1 1 n n ( i=1 p (i) j ) 2 = N i=k+1 donde k es el número de autovalores que hemos retenido. Si esta suma es menor que una tolerancia ε, entonces tendremos controlado el error cometido sobre los datos. λ i.
23 Esto nos muestra que la elección de las componentes principales nos permite reducir la dimensión de nuestro problema, reemplazándolo por uno en el que tendremos menos variables. Por otra parte, si queremos obtener un histograma de valores de una cartera por simulación, podemos generar escenarios para las dos o tres primeras componentes en las correspondientes direcciones principales, obteniendo de esta manera una descripción simplificada de las variables originales.
24 Las variables que retenemos van a explicar en cierta proporción al comportamiento de todos los datos originales. Una forma de medir la relevancia de cada variable retenida es mediante el pocentaje que representa en la varianza total. En fórmula Porcentaje explicado por componente i := λ i λ 1 + λ λ N De este modo, si queremos saber cuál va a ser el porcentaje explicado por las dos primeras componentes deberemos calcular λ 1 + λ 2 λ 1 + λ λ N ya que las proyecciones son independientes entre sí.
25 Cuando las variables que consideramos provienen de datos de distinta naturaleza podemos usar la matriz de correlaciones en lugar de la de covarianzas (esto normaliza las escalas con las que vemos a cada dato). ρ ij = Cov ij Covii Covjj De este modo, la matriz de correlaciones tiene unos en la diagonal, y a ésta podemos aplicarle la misma reducción de variables que le aplicamos a la de covarianzas. Importante: Nótese que trabajar con la matriz de correlaciones es equivalente a calcular la de covarianzas a las variables normalizadas, esto es, divididos por su desviación típica. Asumiremos a partir de ahora que los datos están normalizados de esta manera y que además se hallan centrados alrededor de la media
26 Variaciones del valor de una cartera Dadas las curvas de tipos para tiempo t: ( ) r (t) = r (t) 1, r (t) 2,..., r (t) N, donde t es la fecha que corresponde a cada muestra, calculamos las variaciones en un plazo de tiempo t (un día o una semana) dadas por s (t) = r (t+ t) r (t). Nótese que si el número de muestras es muy grande, la media de cada diferencia es aproximadamente cero. Sean (σ 1,..., σ N ) sus desviaciones típicas. Suponemos de ahora en más que hemos normalizado a las s (t).
27 Los datos s son los que utilizaremos para hacer el análisis de componentes principales. Como antes, denotaremos por e i a cada autovector unitario de la matriz de autovectores. Nos quedaremos con las proyecciones de los datos en las tres primeras direcciones: s (t) p (t) 1 e 1 + p (t) 2 e 2 + p (t) 3 e 3 y rescalamos los vectores para tener componentes de varianza 1: s (t) a (t) 1 c 1 + a (t) 2 c 2 + a (t) 3 c 3 c i := λ 1/2 i e i
28 Recordemos que las variables p (t) i son independientes y tienen varianza λ i. Podemos escribir las variaciones del valor de una cartera de bonos a partir del día de hoy (0) para el día t del siguiente modo: ( V cartera r ( t)) ( V cartera r (0)) donde r ( t) = (a 1, a 2, a 3 ) C T
29 Sensibilidad a componentes Si tenemos en cuenta las variaciones de los valores de la cartera cuando cambiamos alguna de las componentes a i, tenemos una forma de calcular la exposición de la inversión ante cambios en estos parámetros. Concretamente, podemos definir sensibilidades en el precio a partir de las componentes del siguiente modo. Para calcular la sensibilidad respecto de la primera componente basta con considerar un movimiento pequeño que solo tenga en cuenta la primera dirección (a 1, a 2, a 3 ) = (h, 0, 0) La sensibilidad primera viene dada por sensibilidad primera [ Vcartera(h,0,0) V cartera(0,0,0) h V cartera (0, 0, 0) ]
30 Nótese que, al ser la primera componente un movimiento paralelo de los tipos, esta cantidad es (salvo el signo) prácticamente la duración de Fisher-Weil. Ilustración: Determinación de las sensibilidades de una cartera formada por un bono con cupón del 4 % pagado anualmente a 5 años y un bono del 3 % anual a 10 años. Nominal 1, curva inicial dada por la fila del 30 dic 2005 en la hoja de datos.
31 Cobertura con componentes Queremos cubrir el riesgo de variación de valor de una cartera de bonos ante el efecto de las componentes principales. Vamos a comprar o vender una cantidad determinada de esos bonos de modo que el valor de hoy sea equivalente a la cartera original y que sea insensible respecto de las tres componentes. Esto nos impone cuatro condiciones y por lo tanto debemos contar (mínimo) con cuatro bonos. Supongamos que el valor inicial de nuestra cartera es 100. Sean B 1, B 2, B 3 y B 4, queremos hallar (β 1, β 2, β 3, β 4 ) tales que 100 = ( β i B i r (0)) i y además i β i B i ( r ( t)) = i β i B i ( r (0))
32 donde r ( t) lo obtenemos con (h, 0, 0) (a 1, a 2, a 3 ) = (0, h, 0) (0, 0, h) para una pequeña variación h de cada componente.
33 Inversión en una componente Podemos diseñar una inversión en bonos, que por ejemplo sea neutral respecto de dos de las componentes y que suponga una exposición directa a la componente restante. Supongamos, por ejemplo, que sea neutral a las variaciones de las dos primeras. Necesitaremos 3 bonos, B 1,B 2,B 3. Buscamos (β 1, β 2, β 3 ) tales que Valor inicial = 3 i=1 β i B i ( r (0)) y además 3 β i B i (r ( t)) = i=1 3 i=1 β i B i ( r (0))
34 cuando el r ( t) lo imponemos usando (a 1, a 2, a 3 ) = (h, 0, 0) y (a 1, a 2, a 3 ) = (0, h, 0). Esto se aplicaría en particular si una componente tiene reversión a la media, y está alejada de esa media.
35 Cómo determinamos la cercanía a la media? Podemos definir una cantidad llamada Z-score del factor, que determina lo alto o lo bajo que está (respecto del nivel medio). Z = factor min max min donde max :=percentil 95 min :=percentil 5 Para una curva determinada s (t), podemos calcular la primera proyección (el primer factor) del siguiente modo p 1 =< s (t), e 1 >
36 Un Z-score próximo a 100 % significa factor relativamente alto, mientras que Z-score próximo a 0 % significa factor relativamente bajo. Si creemos que los factores tienen tendencia a situarse en su nivel medio, un Z-score alto debe interpretarse como una señal para entrar en una estrategia que aproveche la potencial bajada de ese factor. Ilustración: Determinación de la cobertura de una cartera. Bonos a 2,5,7 y 10 años en una cartera de valor inicial 100. Cupones del 5 % anual. Ilustración: Cálculo de inversiones en componentes dada una curva inicial (hoy) dada por r = (2.75,2.9,3.02,3.13,3.23,3.31,3.38,3.44,3.49,3.54) Todos los datos son porcentuales y asumimos que hoy es el día posterior al último dato que tenemos.
37 Simulación con componentes Sea ahora una muestra de N variables independientes con media cero y varianza 1. Las disponemos en una matriz Z donde indicamos con z (i) al vector que tiene la fila i, del mismo modo que hicimos para las x (i). Si multiplicamos a la matriz Z por D 1/2 generamos nuevas variables aleatorias que tienen las mismas varianzas que las proyecciones p (i). p (i) = z (i) D 1/2 Entonces generamos las x (i) por medio de x (i) = p (i) A T = z (i) D 1/2 A T = z (i) ( A D 1/2) T, donde A D 1/2 = C es la matriz de componentes y nos queda X = Z C T
38 La matriz de covarianzas de las x generadas de esta manera viene dada por ( ) Cov = CZ T ZC T = C ZZ T C T = CC T De este modo vamos a poder replicar el comportamiento de las variables x con muestras de variables independientes z asociadas a cada componente principal. Si aprovechamos la capacidad de reducción de la dimensión que nos aportan las componentes principales, sólo debemos considerar dos o tres variables para hacer una simulación. Ejercicio: cálculo de Var y Tail-Var de una cartera de bonos usando simulación Montecarlo basada en componentes principales. Ejercicio: Simular los precios a un día de la cartera obtenida con un factor descubierto. Estimar rendimiento/var.
39 Componentes principales Los tipos de interés muestran tendencias a largo plazo que suponen un regreso a ciertos niveles, que acaban siendo unas medias a largo plazo. Vamos a ver cómo se modeliza este tipo de comportamiento. Tenemos un proceso evolutivo de comportamiento local con meta a largo plazo y componente aleatoria. El tiempo da saltos de tamaño fijo t.
40 Las variables que tenemos son: 1. S n denota un nivel o rendimiento en tiempo n t. 2. La variación entre tiempo (n 1) t y tiempo n t se denota por S n = S n S n 1. La regla estocástica de evolución viene dada por: S n = a (µ S n 1 ) t + σ tz n Esta es la versión discreta del proceso conocido por Ornstein-Uhlenbeck. Este proceso es la base de los modelos continuos (Vasicek y Hull-White): ds t = a (µ S t ) dt + σdw t donde W t es el movimiento Browniano.
41 Deriva y aleatoriedad Componentes principales El primer sumando del salto S n : a (µ S n 1 ) t recoge la deriva determinista. El segundo sumando σ tz n recoge toda la aleatoriedad del salto S n. Parámetros µ es la media a largo plazo, es decir, el nivel al que se revierte. a (a > 0) es la tasa de reversión, mide la velocidad con la que se revierte al nivel µ. σ es la volatilidad, el nivel de incertidumbre con el que se va evolucionando.
42 Variables aleatorias Componentes principales Las Z n son variables aleatorias normales estándar independientes. Dado el nivel S n 1, cada S n es una variable normal con media varianza a (µ S n 1 ) t σ 2 t Cada S n es una variable normal con media = µ + (1 a t) n (S 0 µ) µ + e an t (S 0 µ) varianza σ2 (1 e 2an t) 2a Ilustración: Simulación de un proceso de reversión. Variar a y σ.
43 Situación determinista Componentes principales El caso σ = 0 es un proceso de reversión a la media puramente determinista: S n = a (µ S n 1 ) t La posición en tiempo n t queda completamente determinada por la posición inicial S 0 (y los parámetros a y µ). Aproximadamente: S n µ S 0 µ = (1 a t)n e an t. Esto significa que la distancia de S n a µ se reduce exponencialmente, con velocidad dada por la tasa de reversión a. Ilustración: Gráficas.
44 Tiempo a reversión Componentes principales En el caso σ = 0, para llegar a un tiempo N t en el que se precisa que S N µ S 0 µ = 1 2 N t = ln2 a Es decir, el tiempo necesario para reducir la distancia al nivel de reversión a la mitad es inversamente proporcional a la tasa a.
45 En el caso general σ 0, hay algunas fórmulas expĺıcitas del tiempo de llegada al nivel de reversión. Pero el cálculo más importante desde el punto de vista estratégico es el tiempo a reversión a un nivel próximo a la media a largo plazo. En este caso, que involucra strikes K, topes T (stop loss) y horizonte temporal H, no disponemos de tales fórmulas y es necesario recurrir a la simulación.
46 Ilustración Simulación del tiempo de llegada a un strike K partiendo de un nivel inicial S 0. Tiempo medio de llegada. Usar: a = 100 %, µ = 20, σ = 500 %, t = 0,05, strike (K)=15, tope (T )=0, S 0 = 8. Hacer la gráfica del porcentaje de llegadas contra el tiempo en años. Dado un horizonte temporal H = N t, determinar el strike K que se alcanza (antes de llegar a un tope, y dentro del horizonte temporal) con un nivel de confianza de 80 %.
47 Estrategia de inversión Si S 0 está por debajo de µ, fijamos strike K, tope T y horizonte temporal H. La estrategia es comprar S (estar largo ) y vender al llegar al nivel K. La ganancia viene dada por S S 0. Ilustración: Simular pérdidas y ganancias de la estrategia.
48 Calibración de la reversión Supongamos que tenemos una serie de valores históricos de S n. Podemos hacer una regresión de la serie Y n = S n contra los valores de X n = S n y deducir los valores de a y de µ: S n = ms n 1 + b + residuo Una vez calculados a y µ podemos estimar σ del siguiente modo: 1 tσ = ( Sn a t (µ S n 1 )) 2 num datos
49 Ejercicio: Estimar los parámetros de la curva de los tipos a un año. Estimar a continuación los de la primera componente principal, comparar los parámetros. Simular y comparar con los datos reales.
50 Guía para hacerlo en Matlab Definimos el vector y con las diferencias diarias de los tipos a un año. Si en el vector x tenemos los datos correspondientes a los tipos a un año, queremos estimar por cuadrados mínimos: y i = a(µ x i ) t = a t x i + a tµ = k 1 x i + k 2 De este modo, tenemos que resolver el sistema ( ) ( ) k1 k1 M = y = M\y donde k 2 M = k 2 x x n 1
Riesgo de tipos de interés Medidas de riesgo, Cobertura
Riesgo de tipos de interés Medidas de riesgo, Cobertura 4 de mayo de 2006 Contenidos Medidas de sensibilidad de los precios Medidas de sensibilidad de los precios Introducción Medidas de sensibilidad de
Más detallesProducto Escalar. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31
Producto Escalar AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31 Objetivos Al finalizar este tema tendrás que: Saber usar el producto escalar. Calcular
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detalles6.5.7 Orientación de un espacio vectorial eucĺıdeo Producto vectorial Diagonalización de formas bilineales simétricas...
Contents 6 Formas Bilineales y Producto Escalar 3 6.1 Formas bilineales............................... 3 6.1.1 Matriz de una forma bilineal....................... 4 6.1. Formas bilineales simétricas.......................
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. Teoría Sea X una muestra de datos (de la variable/población x N ( µ, Σ)) donde el elemento x ij corresponde al individuo i y a la variable continua j
Más detalles1. Determinantes de orden dos y tres:
1. Determinantes de orden dos y tres: TEMA 8: DETERMINANTES. A una matriz cuadrada le vamos a asociar un número que servirá para resolver sistemas, calcular matrices inversas y rangos de matrices. A det
Más detallesCapítulo 5. Escalado Multidimensional 5.1. ESCALADO MÉTRICO
Capítulo 5 Escalado Multidimensional 5.1. ESCALADO MÉTRICO Dada una matriz de distancias D = (d ij ) o de disimilaridades = (δ ij ) entre n objetos, el escalado métrico consiste en encontrar las coordenadas
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 detallesAnálisis Factorial General.
Capítulo 1 Análisis Factorial General. 1.1. Análisis Factorial General (AFG). Introducción. Sea una tabla rectangular de valores numéricos, representados por una matriz X n p, con términos x ij. Nos planteamos
Más detalles6.8. Descomposición mediante valores singulares. v 2 =
68 Descomposición mediante valores singulares Los valores singulares de una matriz m n Supongamos que A es una matriz real cualquiera Los autovalores de A T A tienen la siguiente propiedad A T Ax = λx
Más detallesFactorización QR Método iterativo de Jacobi
Clase No. 13: MAT 251 Factorización QR Método iterativo de Jacobi Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesÁlgebra Lineal - Grado de Estadística. Examen final 26 de junio de 2013 APELLIDOS, NOMBRE:
Álgebra Lineal - Grado de Estadística Examen final de junio de APELLIDOS, NOMBRE: DNI: Firma Primer parcial Ejercicio ( Sea A una matriz simétrica definida positiva de orden n y v R n Pruebe que la matriz
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 detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesProyección ortogonal sobre un vector normalizado (ejercicios teóricos simples)
Proyección ortogonal sobre un vector normalizado (ejercicios teóricos simples) Objetivos Deducir fórmulas para la proyección ortogonal de un vector sobre el subespacio generado por un vector normalizado;
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesTema 3: Espacios eucĺıdeos
Marisa Serrano, Zulima Fernández Universidad de Oviedo 25 de noviembre de 2009 email: mlserrano@uniovi.es Índice 1 2 3.1 V, R espacio vectorial, la aplicación : V V R ( v, u) v u a) v 1, v 2, u V α, β
Más detallesDeterminantes. = a 11a 22 a 12 a 21 = ( 3) ( 5) ( 4) 7 = 15 ( 28) = = 43
Determinante de una matriz cuadrada Toda matriz cuadrada A lleva asociado un número, llamado determinante de A, y que denotaremos mediante el símbolo. Este número, entre otras cosas, permite saber cuándo
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
Más detallesDescomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
Más detallesTeoría Tema 7 Operar con matrices
página 1/12 Teoría Tema 7 Operar con matrices Índice de contenido Concepto de matriz...2 Matriz traspuesta, simétrica y diagonal...3 Suma de matrices y producto de escalar por matriz...6 Producto de matrices...8
Más detallesTema 9. Análisis factorial discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. 9.1. Introducción. Tema 9. Análisis factorial discriminante Supongamos que están denidos I grupos,
Más detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
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 detalles2.1 Introducción. Propiedades.
19 2 MATRICES II: DETERMINANTES En este segundo capítulo de matrices, aprenderemos a utilizar una herramienta muy importante como son los determinantes Gracias a ellos, podremos calcular la inversa de
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesCOMPONENTES PRINCIPALES
COMPONENTES PRINCIPALES Jorge Galbiati R. El método de Componentes Principales tiene por objeto reducir la dimensionalidad de un problema de múltiples variables, aplicando una sucesión de transformaciones
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
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 detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
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 detallesÁlgebra Lineal - Grado de Estadística. Examen final 27 de junio de 2014 APELLIDOS, NOMBRE:
Álgebra Lineal - Grado de Estadística Examen final 7 de junio de 4 APELLIDOS, NOMBRE: DNI: irma Primer parcial Ejercicio Consideremos matrices A m m, B, C n n, Pruebe que bajo la hipótesis de que las inversas
Más detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
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 detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
Más detallesÁlgebra. Ingeniería Industrial. Curso 2006/2007 Examen de Septiembre
Álgebra. Ingeniería Industrial. Curso / Examen de Septiembre OBSERVACIONES: Cada hoja entregada debe contener el nombre, apellidos y número de identificación escrito de forma clara. No mezclar ejercicios
Más detallesAUTOVALORES Y AUTOVECTORES
12 de Julio de 2011 AUTOVALORES Y AUTOVECTORES (Clase 01) Departamento de Matemática Aplicada Facultad de Ingeniería Universidad Central de Venezuela 1 Puntos a tratar 1. Valores y vectores propios 2.
Más detallesReplicación aproximada de derivados de electricidad en mercados incompletos
Replicación aproximada de derivados de electricidad en mercados incompletos Seminario DERIVEX Alvaro J. Riascos Villegas Universidad de los Andes y Quantil Octubre 24 de 2012 Alvaro J. Riascos Villegas
Más detallesClase 7 Herramientas de Álgebra Lineal
Clase 7 Herramientas de Álgebra Lineal 1 Formas cuadráticas La descomposición en valores singulares 3 Normas de matrices 4 Ejercicios Dada una matriz M R n n, la función escalar x T Mx, donde x R n, es
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. 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 detallesVECTORES : Las Cantidades Vectoriales cantidades escalares
VECTORES En física hay dos tipos de cantidades: Las Cantidades Vectoriales son aquellas que tiene tanto magnitud como dirección y sentido sobre la dirección), mientras que las cantidades escalares son
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesTEMA 8 REGRESIÓN Y CORRELACIÓN
/7 TEMA 8 REGRESIÓN Y CORRELACIÓN Dada una variable aleatoria bidimensional (, ) supongamos que las variables no sean independientes, es decir, que eista cierta relación entre ellas. Nos planteamos entonces
Más detallesTEMA 1: MATRICES Y DETERMINANTES
TEMA 1: MATRICES Y DETERMINANTES 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales de la forma a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Las líneas horizontales (verticales)
Más detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesAPUNTES ALGEBRA SUPERIOR
1-1-016 APUNTES ALGEBRA SUPERIOR Apuntes del Docente Esp. Pedro Alberto Arias Quintero. Departamento De Ciencias Básicas, Unidades Tecnológicas de Santander. Contenido MATRICES Y DETERMINANTES... ELEMENTOS
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
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 detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 2017Asturias: Red de 1 Universidades Virtuales Iberoamericanas Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesUna forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.
Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES
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 detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesTema 7. El espacio vectorial R n Conceptos generales
Tema 7 El espacio vectorial R n. 7.1. Conceptos generales Un vector es un segmento orientado que queda determinado por su longitud, dirección y sentido. Sin embargo, desde el punto de vista del Álgebra,
Más detallesMatrices y determinantes
Matrices y determinantes 1 Matrices Una matriz de orden m n es un conjunto de m n números ordenados en m filas y n columnas Por ejemplo, 1 1 2 0 2 0 2 1 1 1 2 1 3 0 2 es una matriz de orden 3 5 Una matriz
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 detallesCapítulo 1: Diagonalización de matrices
Capítulo : Diagonalización de matrices Matrices y determinantes Definición Una matriz es un arreglo rectangular de números reales a a a m a A a a m a n a n a nm La matriz es de orden n m si consta de n
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesÁLGEBRA Algunas soluciones a la Práctica 8
ÁLGEBRA Algunas soluciones a la Práctica 8 Aplicaciones bilineales y formas cuadráticas (Curso 24 25 1. Comprobar si las siguientes aplicaciones son o no bilineales y en las que resulten serlo, dar la
Más detallesComponentes principales (II)
Componentes principales (II) Eliseo Martínez Herrera 1. Propiedades de los componentes Los componentes principales tienen las siguientes propiedades: 1 La suma de las varianzas de los componentes es igual
Más detallesCálculo Numérico III Curso 2010/11
Cálculo Numérico III Curso 2010/11 Problemas del Tema 1 1. Sean {x 0, x 1,..., x n } IR con x i x j si i j. Hoja de problemas - Parte I a) Hallar el polinomio de grado n que interpola a la función en los
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesClase No. 13: Factorización QR MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 16
Clase No 13: Factorización QR MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 03102011 1 / 16 Factorización QR Sea A R m n con m n La factorización QR de A es A = QR = [Q 1 Q 2 ] R1 = Q 0 1 R
Más detallesSolución de problemas III 1
Solución de problemas III Álgebra II Curso 25-6. Espacio Afín.. Ejercicios Ejercicio.4.3 Encontrar la expresión analítica de las siguientes aplicaciones afines de R 2 : a Giro de centro (, ángulo π/2 b
Más detallesC/ Fernando Poo 5 Madrid (Metro Delicias o Embajadores).
UNIVERSIDAD REY JUAN CARLOS, MADRID PRUEBA DE ACCESO PARA MAYORES DE 25 AÑOS MATEMÁTICAS II AÑO 2010 OPCIÓN A Ejercicio 1 a) (1 punto) Hallar los valores del parámetro para los que la siguiente matriz
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 detallesTratamiento de Riesgo Avanzado de Carteras
t Tratamiento de Riesgo Avanzado de Carteras Dossier Comercial Departamento Comercial Febrero 2012 2 T Edificio RD Sistemas TRAC Dossier Comercial Versión 2.0 Valencia, 560 4º 08026 BARCELONA Calle Margarita
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 detallesRESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS
RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS 1. Determinantes El determinante de una matriz cuadrada n n A = a 21 a 22 a 2n a n1 a n2 a nn es un número real, y se representa por: A = a 21 a 22 a 2n a
Más detalles6.7. Clasificación de formas cuadráticas
6.7 Clasificación de s s 1.1. Definición de s s en R n El concepto básico que sirve para definir una es el de polinomio homogéneo de segundo grado en varias variables. En toda esta sección sobreentenderemos
Más detallesClase 10: Extremos condicionados y multiplicadores de Lagrange
Clase 10: Extremos condicionados y multiplicadores de Lagrange C.J. Vanegas 7 de abril de 008 1. Extremos condicionados y multiplicadores de Lagrange Estamos interesados en maximizar o minimizar una función
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesCaracterización de la incertidumbre del precio futuro del cobre
USc/lb Caracterización de la incertidumbre del precio futuro del cobre La incertidumbre en un modelo de programación estocástica debe tener la estructura de árbol de escenarios, como se muestra en la Figura
Más detallesLista de problemas de álgebra, 2016
Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas Posgrado en Ciencias Físicomatemáticas Línea de Matemáticas Lista de problemas de álgebra 2016 Egor Maximenko: En mi opinión cualquier
Más detallesÁlgebra Lineal y Geometría I. Prueba 3. Grupo A. 12 de marzo de (
Álgebra Lineal y Geometría I. Prueba 3. Grupo A. 2 de marzo de 208. Apellidos: Nombre: DNI: Ejercicio.-(4 puntos) Se considera la matriz siguiente: A = 2 0 3 0 2. Calcule W = null(a 2I), W 2 = null(a 4I)
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 detalles2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo.
2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo. 2.1 Formas cuadráticas. Expresión matricial y analítica. Expresiones diagonales. Definición 2.1 (Expresión matricial) Una
Más detallesAnálisis en Componentes Principales
This is page i Printer: Opaque this Análisis en Componentes Principales Dr. Oldemar Rodríguez Rojas 29 de mayo de 2008 ii This is page iii Printer: Opaque this Contents. Análisis en Componentes Principales
Más detallesPrácticas Grupo B. Ejercicios de Álgebra Lineal. Curso 18/19. Prácticas 18/10/2018
Prácticas Grupo B Ejercicios de Álgebra Lineal Curso 8/9 Prácticas 28/9/28 y = x 2 + 2x 5; (x 8 )2 + (y + 28 )2 = 25 9 5 a x y = z x = [] b Sobre Q, R, C el sistema es incompatible; sobre Z 2 la solución
Más detallesCónicas. Clasificación.
Tema 7 Cónicas. Clasificación. Desde el punto de vista algebraico una cónica es una ecuación de segundo grado en las variables x, y. De ese modo, la ecuación general de una cónica viene dada por una expresión
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 detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 010 011). Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí. Demostrar
Más detallesConceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD
Conceptos de Probabilidad y estadística Jhon Jairo Padilla A., PhD Introducción La ingeniería de tráfico está soportada sobre conceptos de probabilidad y estadística como: Probabilidad Variable aleatoria
Más detalles2. Sistemas de ecuaciones lineales
2 Sistemas de ecuaciones lineales 2 Ejercicios resueltos Ejercicio 2 Estudiar el número de condición de Frobenius de la matriz a b A a + ε b Solución: El determinante de A es A ab + ba + ε b ε Si b 0 y
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 1 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 1 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
Más detallesMATRICES Y SISTEMAS DE ECUACIONES
MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n A = a 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesMatrices y determinantes
Matrices y determinantes 1 Ejemplo Cuál es el tamaño de las siguientes matrices? Cuál es el elemento a 21, b 23, c 42? 2 Tipos de matrices Matriz renglón o vector renglón Matriz columna o vector columna
Más detallesLección 2: Funciones vectoriales: límite y. continuidad. Diferenciabilidad de campos
Lección 2: Funciones vectoriales: límite y continuidad. Diferenciabilidad de campos vectoriales 1.1 Introducción En economía, frecuentemente, nos interesa explicar la variación de unas magnitudes respecto
Más detallesLa práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del capítulo 11 Contribuciones a la inercia Primera edición: julio 2008
Más detalles