Modelos Lineales

Matrices y vectores aleatorios

Dagoberto Bermúdez Rubio

04 February, 2021

Matrices y vectores aleatorios

Z ∞
E(U (Y )) = U (y)f (y)dy (2)
−∞

Propiedades
i. E(aY + b) = aE(Y ) + b (3)
ii. E(X + Y ) = E(X) + E(Y ) (4)

Varianza
σ 2 = var(Y ) = E(Y − µ)2 (5)

σ 2 = var(Y ) = E(Y 2 ) − E(Y )2 (6)

Propiedades
i. var(Y ) ≥ 0 (7)
ii. var(aY + b) = a2 var(Y ) (8)

Covarianza
σij = Cov(Yi , Yj ) = E((Yi − µi )(Yj − µj )) = E(Yi Yj ) − E(Yi )E(Yj ) (9)

1
Propiedades
i. Cov(Y, Y ) = var(Y ) (10)
ii. Cov(X, Y ) = Cov(Y, X) (11)
iii. Cov(aX, bY ) = ab · Cov(X, Y ) (12)
iv. Si X y Y son independientes, entonces Cov(X, Y ) = 0 (13)
v. var(aX + bY ) = a2 var(X) + b2 var(Y ) + 2ab · Cov(X, Y ) (14)
vi. Cov(X + a, Y + b) = Cov(X, Y ) (15)
vii. Cov(aX + bY, cW + dV ) = ac Cov(X, W ) + ad Cov(X, V ) + bc Cov(Y, W ) + bd Cov(Y, V ) (16)

Coeficiente de correlación
cov(X, Y )
ρxy = p (17)
var(X) · var(Y )

Propiedades
i. ρxy = ρyx (18)
ii. ρyy = 1 (19)
iii. Si X y Y son independientes, entonces ρxy = 0 (20)

Ejemplo 1
La función de densidad conjunta para las variables X y Y , está dada por:

f (x, y) = k, 0<x<y<1

i. Calcular el valor de k
ii. Encontrar las distribuciones marginales f (x) y f (y)
iii. Encontrar las distribuciones condicionales f (x|y) y f (y|x)
iv. Calcular la Cov(X, Y )
v. Calcular ρxy

Vectores aleatorios
Vector de medias
E(Y1 )
     
Y1 µ1
Y2  E(Y2 ) µ2 
Y)=E . = . = . =µ
E(Y
     
 ..   ..   .. 
Yp E(Yp ) µp

Linealidad

AY + b ) = A E(Y
E(A Y )+b (21)

X + Y ) = E(X
E(X X ) + E(Y
Y) (22)

2
Matriz de varianza-covarianza
σ12
 
σ12 ··· σ1p
σ21 σ22 ··· σ2p 
Σ = Cov(Y
Y ) = E((Y
Y − µ )(Y
Y − µ )0 ) =  . .. .. .. 
 
 .. . . . 
σp1 σp2 ··· σp2

Propiedades
i. Σ = cov(Y
Y ) = E(Y
Y Y 0 ) − µµ 0 (23)
ii. Σ es simétrica y definida positiva (24)
iii. Cov(A
AY + b) = AΣA
A0 (25)
iv. Cov(X
X , Y ) = Cov(Y
Y ,X) 0
(26)
A Y , B Y ) = A ΣB 0
v. Cov(A (27)
a0Y a 0 Σa
vi. var(aa Y ) = a Σa (28)
vii. Cov(X
X + Y , Z ) = Cov(X
X , Z ) + Cov(Y
Y ,Z) (29)

Ejercicios
1. Mostrar las propiedades de valor esperado, varianza y covarianza.
2. La función de densidad conjunta para las variables X y Y , está dada por:

f (x, y) = kxy, 0 < x < 1, 0 < y < 1, 0<x+y <1

a. Calcular el valor de k
b. Encontrar las distribuciones marginales f (x) y f (y)
c. Encontrar las distribuciones condicionales f (x|y) y f (y|x)
d. Calcular la cov(X, Y )
e. Calcular ρxy
3. Sea Y = (Y1 , Y2 , Y3 , Y4 ), con µ = (2, −1, 3, 1)0 y

7 3 2
 
−3
6 0 4
Σ=

5

 −2
4

Si b = (1, 2)0 y
1 0 0
 
−2
A=
0 1 −1 3

U = AY + b , calcular
U)
i. E(U
U)
ii. cov(U

3
Referencias
• Draper, N. R., & Smith, H. (1998). Applied regression analysis (Vol. 326). John Wiley & Sons.
• Faraway, Julian J.; Extending the linear model with R Generalized linear, mixed effects and nonpara-
metric regression models. Chapman & Hall/CRC, 2006
• Moscoso, J. A. J. (2004). Notas de clase. Álgebra Lineal II (con aplicaciones en estadística). Univ.
Nacional de Colombia.
• Rencher, A. C., & Schaalje, G. B. (2008). Linear models in statistics. John Wiley & Sons.
• Searle, S.R.; Linear models. John Wiley & sons, 1997.
• Téllez, Cristian & Morales, Mario; Modelos Estadísticos Lineales 2016. Faraway, Julian J.; Extending the
linear model with R Generalized linear, mixed effects and nonparametric regression models. Chapman
& Hall/CRC, 2006

¡Gracias!
Dagoberto Bermúdez R
Email: dagobertobermudez@[Link]