Upload
liliana-hidalgo
View
79
Download
0
Embed Size (px)
Citation preview
INTRODUCCIÓN 1. Álgebra lineal y vectores aleatorios 2. Distribución normal multivariante ANÁLISIS DE LA MATRIZ DE COVARIANZAS 3. Componentes principales 4. Análisis factorial 5. Correlaciones canónicas CLASIFICACIÓN 6. Análisis discriminante 7. Análisis de conglomerados
ALGEBRA LINEAL
1
1. ÁLGEBRA LINEAL Y VECTORES ALEATORIOS
Vectores Ortogonalización de Gram-Schmidt Matrices ortogonales Autovalores y autovectores Formas cuadráticas Vectores y matrices aleatorias Matriz de datos
2
ALGEBRA LINEAL
Vectores
Matriz de datos: p variables observadas en n objetos
3
nxp
npnnn
p
p
p
X
xxxx
xxxxxxxxxxxx
321
3333231
2232221
1131211
pen
Objeto_1
Objeto_n
Variable_1 Variable_p
nxp
npnnn
p
p
p
X
xxxx
xxxxxxxxxxxx
321
3333231
2232221
1131211
pen
Objeto_1
Objeto_n
Variable_1 Variable_p
ALGEBRA LINEAL
Vectores
2. Producto de un escalar por un vector
pxc
xcxc
1
3. Producto escalar de dos vectores
pp
p
iii yxyxyxyxyxyx
111
',
5
ALGEBRA LINEAL
Vectores
4. Norma de un vector
Propiedades
p
iixxxxxx
1
22/1)'('
zxbyxabzayx ,,,
xyyx ,,
00,0, xxxyxx
x xx x
6
ALGEBRA LINEAL
Vectores
5. Distancia entre dos vectores
6. Ángulo entre dos vectores
yxyxd ),(
y
x
yx y
x
yx
7
yxyx,
cos
yxyx 0cos0,
ALGEBRA LINEAL
Vectores
Desigualdad de Cauchy-Schwarz
yxyx ,
Consecuencia:
8
1cos1
1,
1
,
yxyx
yxyxyx
ALGEBRA LINEAL
Vectores
7. Ortogonalidad
8. Ortonormalidad
nuuu ,,, 21 jiuu ji ,
es ortonormal si es ortogonal
y todos los vectores tienen norma 1, es decir,
es ortogonal si
9
neee ,,, 21
iei 1
ALGEBRA LINEAL
Vectores
Un conjunto de vectores nuuu ,,, 21
es linealmente independiente si
n
n
iii cccuc
211
0
(la única manera de construir una combinación lineal igual a 0 es que todos los coeficientes sean 0)
11
=0
ALGEBRA LINEAL
Vectores
Proposición. Todo conjunto ortogonal de vectores no nulos es linealmente independiente.
nuuu ,,, 21 ortogonal nuuu ,,, 21 l.i.
00,
0,,
0
11
11
jjj
jjjnnj
nn
cuu
uucucucu
ucuc
Demostración
12
ALGEBRA LINEAL
Ortogonalización de Gram-Schmidt
V subespacio vectorial de psi V es espacio vectorial,
;,, bayVvues decir, si Vbvau
Dado A =
n
iiii cucAspan
1
:
nuuu ,,, 21
Propiedades
subespaciounesAspaniiAspanAi
)()()(
15
pV
ALGEBRA LINEAL
Ortogonalización de Gram-Schmidt
Proposición
n
i
uuspanvniuv,,
,,1
1
0,,,
,,
11
1
i
n
ii
n
iii
n
uvcucvvu
uuspanu Demostración
16
ALGEBRA LINEAL
Ortogonalización de Gram-Schmidt
111
11
11
1
222
231
11
1333
111
1222
11
,,
,,
,,
,,,,
nnn
nnnnn u
uuux
uuuux
xu
uuuux
uuuux
xu
uuuux
xu
xu
Sean
Dado un conjunto de vectores l.i., se puede construir otro conjunto ortogonal que genere elmismo espacio.
linealmente independientes nxxx ,,, 21
17
ALGEBRA LINEAL
Ortogonalización de Gram-Schmidt
Entonces:
ortogonalesuuii
uuspanxxspani
n
nn
,,)(,,,,)(
1
11
18
ALGEBRA LINEAL
Matrices ortogonales
Matrices ortogonales Anxn; inversa A-1: A A-1 = A-1A = I. A’ transpuesta de A. Qnxn es ortogonal si Q’Q = QQ’ = I.(las columnas de una matriz ortogonal son vectores ortonormales)
mnmm
n
mxn
aaa
aaaA
21
11211
19
ALGEBRA LINEAL
Matrices ortogonales
Propiedades
Qy Qxy
x
20
xQxiiiQyQxyxii
yxQyQxiortogonal
matrizQyx p
)()(
,,)(
; ,
ALGEBRA LINEAL
Autovalores y autovectores
Anxn; xAxquetalx 0
x
autovalor de A
x es autovector asociado a
00)(,0
0,00 ,0
IAxIAx
IxAxxxAxx
Polinomiocaracterístico
Ecuacióncaracterística
21
ALGEBRA LINEAL
Autovalores y autovectores Propiedades
..
,)(
)(
2122
1121
21
ilsonxyxautovalorconx
autovalorconxii
trAi n
Diagonalización de matrices
jiijnxn aaAAsimétricaA '
nnn
n
nxn
aa
aaaa
A
1
12
11211
23
ALGEBRA LINEAL
Autovalores y autovectores: diagonalización
Si A simétrica entonces
'
''
0
0
2
1
2
1
21
nn
nnxn
e
ee
eeeA
existen autovalores reales n ,,1 con autovectores asociados nee ,,1
ortonormales tales que
P P’DA=PDP’, siendo D diagonal y P ortogonal(Toda matriz simétrica es diagonalizable)
24
ALGEBRA LINEAL
Autovalores y autovectores:representación espectral
Sea
n ,,1 con autovectores ortonormales nee ,,1 tales que
Si A es simétrica entonces existen autovalores reales
.''222
'111 nnn eeeeeeA
.
1
12
11211
nnn
n
nxn
aa
aaaa
A
26
ALGEBRA LINEAL
Ejemplo
Descomposición espectral de
27
6229
A
Autovalores y autovectores:representación espectral
ALGEBRA LINEAL
Formas cuadráticas
Anxn simétrica;
n
jii
n
jjiij
n
i
n
j
n
iiijjiij
nnnnjiijnnn
nnnn
n
n
xxaxaxxa
xxaxxaxxaxaxa
x
xx
aa
aaaa
xxxxf
1 11 1 1
2
11211222
111
2
1
1
21
11211
21
2
)(
nx ,
nx
xx
1
f(x)=x’ A x es una forma cuadrática
28
ALGEBRA LINEAL
Formas cuadráticas
EjemploExpresar matricialmente la forma cuadrática
Escribir en forma cuadrática
29
32312123
22
21321 546325),,( xxxxxxxxxxxxf
2
12121 22
21),(
xx
xxxxf
ALGEBRA LINEAL
Formas cuadráticas
Como Anxn es simétrica, es diagonalizable,
se puede escribir A = PDP’ y, por tanto, queda: f(x) = x’PDP’x.Haciendo y = P’x:
,0
0')(
1
211
1
n
iii
nn
n yy
yyyDyyyf
se tiene
.)( 2
1
211
2nn
n
iii yyyyf
30
Formas cuadráticas
x2
x1 y2y1
e2e1 2λc
1λc
ALGEBRA LINEAL31
y los autovectores x’Ax=c2 representa geométricamente una elipseen
2222
211
2
2
'''
cyycxPDPxcAxx
; los autovalores son 21 normalizados son e1 y e2.
2
Formas cuadráticas
ALGEBRA LINEAL32
EjemploRepresentar, hallar los ejes y obtener la expresión reducida de
9135
513
2
121
xx
xx
Formas cuadráticas
Clasificación de formas cuadráticas
ALGEBRA LINEAL33
Sea f(x) = x’ A x f es definida positiva si f es semidefinida positiva si f es semidefinida negativa si f es definida negativa si f es indefinida si
0)(,0 xfx0)(, xfx n
0)(,0 xfx
0)(0)( 2121 xfyxfquetalxyx nn
0)(, xfx n
Formas cuadráticas
Sean los autovalores de A f es definida positiva f es semidefinida positiva f es semidefinida negativa f es definida negativa f es indefinida
ALGEBRA LINEAL
0,,01 n 0,,01 n
0,,01 n 0,,01 n
0,0 ji
34
n ,,1
Raíz cuadrada de una matriz
B es raíz de A si A=BB;
ALGEBRA LINEAL
n
iii eeA
1
'
Raíz cuadrada de una matriz:
A semidefinida positiva;
B=A1/2 ; A=A1/2 A1/2
Si A es simétrica y A=PDP’ con descomposición espectralentonces:
35
Formas cuadráticas
ALGEBRA LINEAL
Raíz cuadrada de una matriz:
'
' 0
0
' 0
0
1
12/1
1
ii
n
ii
n
n
ee
PPA
PPASea
'1'/10
0/1
1
11
ii
n
i in
eePPA
Nota:
36
Descomposición singular de una matriz
ALGEBRA LINEAL
i
Dada la matriz Amxn, AA’ es cuadrada y
simétrica; por tanto, diagonalizable.
VUAk
000
001
es un valor singular de A, si 2
i es autovalor de AA’.
Descomposición singular Sea A una matriz mxn; k ,,1 valores singulares de A. Entonces existen matrices ortogonales U y V tales que:
37
Vectores y matrices aleatorias
22 )]([)(
)(aleatoria variable
iiiiii
ii
i
XEXEXV
XEX
mnmm
n
p XXX
XXX
X
XX
21
112111
;
Vectoraleatorio
Matrizaleatoria
31
Vectores y matrices aleatorias
)(
)( 11
pp XE
XEEX
Se llama vector de medias a:
y covarianza entre dos variables a
Se define la matriz de covarianzas de X como: )].)([(),( jjiijiij EXXEXXEXXCov
ppp
p
XVX
1
111
39
:Entonces . , ;constantes c ,11
VXEX
c
c
X
XX
pp
ccXcViicXcEi
')'( )(
')'( )(
'.)( )(.)( )(
:Entonces .constantes de matriz
CCCXViiCEXCXEi
Cmxp
Vectores y matrices aleatorias
Vectores y matrices aleatorias
)()()()()()()(
)()(
)()()()()(
1
111
YEXEYXEYiiiBXAEAXBEii
XEXE
XEXEAXAEAXEi
mxn
mnm
n
Propiedades
Sea Xmxn y sean Akxm y Bnxr matrices de constantes.
Entonces:
42
Vectores y matrices aleatorias
,
1
11
21
221
112
pp
p
p
rr
rrrr
Matriz de correlaciones
,2/12/1 VVen forma matricial:
donde V es la matriz de varianzas:
2
2111
0
0
0
0
ppp
V
donde ;jjii
ijijr
43
Vectores y matrices aleatorias
)2(
)1(
1
1
1
;XX
X
XX
X
XX
XX
p
r
r
p
Partición de un vector aleatorio
)2(
)1(
Vector de medias:
Sea
Matriz de covarianzas:
2221
1211
),(),()()(
)2()1()2()1('2112
)2(22
)1(11
ji XXCovXXCovXVXV
, donde
44
Matriz de datos
45
nxp
npnnn
p
p
p
X
xxxx
xxxxxxxxxxxx
321
3333231
2232221
1131211
pen
Objeto_1
Objeto_n
Variable_1 Variable_p
nxp
npnnn
p
p
p
X
xxxx
xxxxxxxxxxxx
321
3333231
2232221
1131211
pen
Objeto_1
Objeto_n
Variable_1 Variable_p
n
xx
n
xx
n
iip
p
n
ii
111
1
Matriz de datos
46
px
xx
1
Vector de medias:
Matriz de varianzas y covarianzas:donde
ppp
p
n
ss
ssS
1
111
nxxxxs jkj
n
kikiij /)()(
1
Matriz de correlaciones: 2/12/1 nnn VSVR , donde
pp
n
s
sV
0
011
Matriz de datos
; ...,,,; 21
1
diiXXXX
XX n
p
Proposición
n
XX
n
ii
1
Dado
47
nnSEiii
nXViiXEi
n1)()(
/)()()()(
Matriz de datos
48
La matriz de datos se puede representar como: Diagrama de dispersión, n puntos en el espacio
p
x1
x2p=2
x1
x2
x3p=3
Como para p>3 no es posible representarlo, se utilizan diagramas de dispersión múltiple con pares de variables.
Matriz de datos
49
Considerando las columnas en vez de la filas de lamatriz de datos, es decir, p puntos en
n
nxp
npnnn
p
p
p
X
xxxx
xxxxxxxxxxxx
321
3333231
2232221
1131211
pen
Objeto_1
Objeto_n
Variable_1 Variable_p
nxp
npnnn
p
p
p
X
xxxx
xxxxxxxxxxxx
321
3333231
2232221
1131211
pen
Objeto_1
Objeto_n
Variable_1 Variable_p
Y1 Y2 Y3 Yp
Para cuatro variables:
34333231
24232221
14131211
xxxxxxxxxxxx
X
Y1 Y2 Y3 Y4
Y1 Y4
Y3
Y2
Matriz de datos
50
y forma el mismo ángulo con todoslos ejes.
1
1
11 nx
n1
Vector de unos: n unos
Propiedades
es el vector unitario que forma el mismoángulo en todas las direcciones.
n/1
Matriz de datos
51
Proyección de un vector sobre el vector
i
i
i
n
jij
ii
x
xx
n
xy
ypr 1111,11,
)( 11
:1
yi
1 1ix
Matriz de datos
53
Entonces:
ijjjii
ij
jjii
ij
ji
jiji
ijjkj
n
kikiji
iiiiniiii
rss
s
nsns
nsdd
dddd
nsxxxxdd
nsdxxxxd
,),cos(
)()(,
)(...)(
1
2221
Matriz de datos
55
Varianza generalizada de X: Varianza total de X:
Varianza generalizada muestral: Varianza total muestral:
)det(
pptraza 11)(
ppn ssStraza 11)(
)det( nn SS
Matriz de datos
56
Interpretación geométrica
Área =
Varianza generalizada en
pn nVolumenS
2
||)1(cos1 2122211
2221121 nSnrssnnsnssendd
p