Capitulo 1. Nociones basicas de Algebra de Matrices En este capitulo se pretende sintetizar los contenidos de algebra de matrices bisicos para una compresién adecuada de las técnicas de andlisis ariante. Para mas detalle, se pueden consultar diferentes manuales. Por ejemplo, cl de Basilewsky (1983), Namboodiri (1984), Searle (1982) y Winter (1992). ¥ en castellano el de Amén (1991) y el de Herstein y Winter (1989). 1. Conceptos previos Definici6n y tipos de matrices Una matriz es una forma de organizar tos datos e proporciona un punto de partida itil para su descripci sy columnas que carle, 198; Supéngase que se tienen las siguientes puntuaciones sobre el rendimiento de 3 sujetos en cuatro pruebas de atencién: Pruebas de atencion Sujews “T23 1 121s 17 2 s 7 8 3 1 1B 4s Losers que aparecen en tabla pueden eerie el iuiente modo Ros 7 9 79 ups is] Donde las ateneién. Por que representa la punt ss contienen a los sujetos y las columnas las prucbas sobre splo, la segundsa fila y tercera columna contiene al niimero 9 .cién del sujeto 2 en la prueba 3. Esta disposicién rectangular de los datos en 1 filas y p columnas se denomina matriz de orden mxp y se representa mediante: Aus Las matrices se designan aqui mediante letras maytisculas en negrita (en el ejemplo: A) y sus elementos mediante letras minisculas con subindices10 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES (ai, donde i son las filas yj las columnas). Los elementos en los que 7= se ‘denominan elementos diagonales (a,). Una forma més abreviada de expresar ‘una matriz es mediante: AS[a)] pare i=1,208 ¥ FL QonP (ul) El tamaio y tipo de elementos de la matriz hace que sea posible distinguir centre varios tipos de matrices a, Veetores columna y fila: matrices que constan slo de m filas yuna ccolumna (vector columna) y de una fila yp columnas (vector fila). Se cexpresan con letras mindisculas en negrita, 2 4l : reap Ver com -f Fjemplo2. Vector fila: a'= [5 2 4] Matriz rectangular: es aquellaen la que se cumple que np. Ejemplo3: 4 -[? 3 5 04-1 Matriz cuadrada: es aquella en la que se cumple que » = p. 13-2 25 0 smplo 4: Ejemplo 4: 769 mMB)=1+5+9=15 En las matrices cuadradas se puede caleular la traza de ta matric que es a ssuma de los elementos de la diagonal principal. Es decir: r(A) = ay. En el ejemplo 4, 15. Matriz simétriea: matriz en la que se cumple ay = aj. 0 lo que es lo mismo, A= A'. En el andlisis multivariante es frecuente trabajar con iatrices simétricas. Por ejemplo, la matriz. de covarianzas (S) y Ia matriz de correlaciones (R) Matriz nula: se denomina matriz 0 pues todos sus elementos son 0. Ejemplo 5: oft 7 H ooo NOCIONES BASICAS DE AL EBRA DE MATRICES n £. Matriz diagonal: es aquella en que todos los elementos, excepto los de la diagonal principal, son nulos. Por ejemplo: jemplo 6: | Mate escalar(K): matiz diagonal en la que todos ls elementos n0 sulos son 300 Ejemplo 7 Hemplo? A lo 3 0 oo 3 ° ‘h, Matriz identidad (1): matriz diagonal cuyos elementos de la diagon: principal son 1 2. Operaciones con matrices 2.1. Céileulo de la traspuesta de una matriz de una matriz A de orden nxp se calcula intercambiando las mas de forma que se obtione la matriz A’ de orden p x n ima fila de A cs la j-ésima columna de A'. A cot presenta un ejemplo: wmmer als ol ar Se verifica que: (A) = tA’). 2.2, Suma de matrices A+B= [apt Oy] parai=1,2,opt ¥ j= 2oap i) Para sumar dos matrices es necesario gue sean conformables, es decit, ‘que tengan el mismo orden, Ejemplo9: 4 [5 2] , g_[3 2 spelt 4 eal’ Pela ef AtBe Leo Ademas de las propiedades asociativa y conmutativa, se cumplen las siguientes:12 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES 2.3, Multiplicacin por un esealar Segin Io visto en la sua de matrices puede establecerse que A+A=[ay]+ [a] =(2ay]=24 Extendiendo esto al caso en que kes un esl: kA= Ak= [kaj] Por tanto, cada elemento de la matriz A queda multiplicado por k. Hiemplo10: , [3 2 a wf? 2.[6 4 Atti os) 2477 i“ 1S. 2 10 2.4, Producto de dos matrices Para entender como se multiplican dos matrices, previamente se necesatio introducir el concepto de producto de veetores, también llamado producto interno de veetores. El producto interno de vectores, jab, es el niimero que resulta de la suma de los productos eruzados de los elementos de a y b. Es decir: jab|=a,b,; Donde: jaa|=|a|=a'a= So? (1.4) 1 fz Renee {0 y be i lab\=a'b=[1 0 uu 3] 1 aj=[ 0 rfof=1 40% +1 =2 1 yz vba afi]-2 srt 3 iz cuadrada de su La longitud de un vector se obtiene calculando I producto intemo. Es decir: >= (a'ay'? as) v4 En el ejemplo 11: {fall = V2 Se denomina vector unitario normalizado (u) aquel cuya longitud es Ia unidad: 4 donde: wu=1 a6 En el vector a del ejemplo 11 NOCIONES BASICAS DE ALGEBRA DE MATRICES 13 | wa ° 2 YY se puede comprobar aie yf. 9) Dos vectores son ortogonales si su producto intemo es nulo. Es decir: lab| =0 ay Dos veetores son ortonormales si son ortogonales y normalizados. ‘Una matriz es ortogonal cuando todos sus vectores son ortonormales. Es decir: ANSE 3 At=ar 8) Ejemplo 12; Dada la matriz A con vectores ayy a am =0707] {40.707 +0707 =) a'a,=(-0.707)+0.707 =1 0.707 0.707 | 0.70A-0.707) + (0.707)0.707=0 ‘Vistos estos concept dos matrices. Si se mult continuacién se introduce el del producto de ‘matriz B, De este modo la matriz C contiene el mismo nimero d y de columnas que B. Es decir: aap X Brum = Coen as) Bjemplo 13: 4 Nétese que en este caso se verifica la propiedad asociativa (A(BC) = (AB)C) pero no la conmutativa (AB + BA). Como puede verse, en el ejemplo 13: Abo XBaa= entras que: Bra x Aon = Cos.14 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES Del mismo modo: wore + wlth of tras propiedades del producto de matrices son las siguientes: AI=IA=A A(B+C) = AAA cuadrada). tr(AB)= ‘AB es cuadtada). B son cuadradas y del mismo orden). (AB to) 2.5. Céleulo del determinante de una matriz Un determinante, |Al, es un polinomio de los elementos de la matriz A. Se calcula sumando ciertos productos de los elementos de A segin unas reglas. El determinante sélo puede definirse en matrices cuadradas. En matrices 2 x2 su célculo es muy sencillo, Bem [2 2]: laleze)-20)-10 La En matrices 3 x 3 su céleulo pued Sarrus’, El procedimiento consiste en ai primeras columnas de la matriz a la derecha. Como muestra el ejempl determinante se obtiene sumando los productos de 1a diagonal pri restando los productos de la otra diagonal. 412) [412)41 [AR@OO Fiomlo 5 ty si] [23 1]25 a9) 362] | 62)36 Si el determinante es distinto de cero (\A| # regular, como las matrices de los ejempl cero (|A| = 0), se dice que la matriz es singular. se dice que la matriz es Si el determinante es NOCIONES BASICAS DE ALGEBRA DE MATRICES 15 Para obtener determinantes de matrices Xn se suman los n! productos de los elementos de la matriz teniendo en cuenta que cada producto sélo puede contener un elemento de una fila o columna de la matriz (para mas detalle, ver Searle, 1982, pag. 89). 2.6. Céleulo de la matriz inversa La inversa de una matriz, se denota por A” y es aquella tal que AA" = A'A= I. Sélo puede obtenerse para matrices cuadradas y regulares mediante 1a formula: Donde A‘ es la matriz adjunta de A’, Esta matriz ec ‘Ay (los aunts) que se caleulan mediante la expres Donde ay es una mara de orden nl que se btn columna j de A’ Aq su determinane. A continuacin se pre tiempos Biome gf? tT a 24 Ejemplo 17: <9) fos tun =r o|-|-on 02 0 ws] [-033 -233 2) ‘Si Aes simétrica A” también lo es. Ademiéds, si A y B son cuadradas y del mismo orden: ay say (ABy'= BT AT (LID 3. Usos de matrices y determinantes 3.1 Sistema de ecuaciones lineales Las operaciones que se han visto en el anterior apartado son necesarias para resolver un sistema de ecuaciones lineales del tipo:16 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES tag, =e,{ Matricialmente: ng XE Ace Og 40g Stat yt, =6,| Donde A es la matriz de coeficientes, x el vector de inedgnitas y ¢ el ‘vector de términos independicntes. Bl sistema lineal Ax =e puede resolverse ‘mediante la regia de Cramer: x=ate Para emplear esta regla es necesario que la matriz A sea regular. El sistema puede ser cot incompatible (sin solucién), determinado (con soluci El siguiente ejemplo muestra el caso general; es decir, el de sistemas de ‘ecuaciones lineales con solucién tinica: nemo 202857 DS Ale)[} ae see [AES al El ejemplo 18 se trata de un sistema no homogéneo donde A es regular. Considérese este otro ejemplo: 15x, +10x, =20)* [as 1o|x, |" [20] En el ejemplo 19, In matriz A es singular y la segunda ecuacién es miltiplo de la primera. Es aque el sistema puede jones 0 ser incompatible. Si por ejemplo se consideran las siguientes ecuaciones: Ejemplo 20: x) +45 =2 3e +34, = 4) En el ejemplo 20, si una ecuacién es cierta Ia otra no. Por tanto, el sistema cs inconsistente. En sintesis, el cuadro inferior muestra un resumen de las soluciones a diferentes tipos de sistemas de ecuaciones lineales (para mas detalle véase 5. 227-256): NOCIONES BASICAS DE ALGEBRA DE MATRICES. 7 Ecuaciones lineales: Ax=e ‘Sistema no homogéneo 20 \Varias o solucién incompatible ‘Sistema homogéneo Trivial e=0 Varias (y la trivial) 3.2, Rango de una matriz, El rango de una matriz, simbolizado mediante r(A), ¢s el mimero de vegores (i colunna) ineslmensindependienes que exien ent maiz (A) es siempre un numero positivo igual o menor al mimero de filas(n) 0 columnas (p) de A. Es decir: (A-A1)x=0 es.un sistema homogéneo. Tendré soluciones distintas de 0 si|A—AT|=0. Es decir, i Aes un autovalor de A. Hay tantos autovectores independientes de A como autovalores Los autovectores para el ejemplo 21 son: I autoveetor: 6 4 (ADE =O, [ 2° autovector: 7 anne [t J Autovectores normalizados: 5. iy, x, -[° “) [2%] ce mie)” Loss -083 Matriz de autovectores normalizados: y = [0-56 0.56 0s -0.83 NOCIONES BASICAS DE ALGEBRA DE MATRICES. 19 Propiedades de los autovectores: 1. Si Aces simétrica sus autovectores son ortogonales, 2, Dada A (simétrica), A (matriz diagonal que contiene las autovalores) y U (matriz de autovectoresnormalizados): A=UAU'>A''=UA“U'-A=UAU" 3.5. Ejemplo resuelto Sistema homogéneo: mee SBE stone Autovalores: eas 82/4316 _[ 4-847 A-al= =0-2)6-2) 16-7 81-40, A - 1 an OED tod a, a FEET LATE, Secomprucba que: 1. 4)+ 4)=8.47+(-0.47)= 8 = m{A), 2. Aa) 0a) = 8.47(-0.47)= -4 = | Al 3. Todas las raices son no nulas. 4. Hay dos races dstintas de 0: (A) = 2. Aurovectores: 240474 Wx] [247 4 6047) xa) 4 ‘Como A es simétrica, se comprueba que: y= [0-526 -08st][847 0 Jf 0826 ogst)_f2 4 vaU'= 7 =A 08st 0.526 || 0 -o47]|-o851 0526|"[4 6 vavra [0525 ~0851]/2 4] 0526 08st] far 0], osst 0.526 |]4 6||-0.851 0526] | 0-04720 FUNDAMENTOS DE LAS TECNICAS MUI 3.6. Formas euadritieas Siendo A una matriz cuadrada y simétrica y x un vector de p elementos ‘no nulos, se Hama forma cuadritica a la expresion: a,x Sosent Daas = (4) +a,)n, Como se observa, x'A.x es una funcién cuadritica de las x ¢ incluye todos los elementos posibles de segundo orden. Propiedades: Para x =0 todas las formas cuadritices Q son 0. 2. Si Q > 0 para todo x #0, entonces x' A x (y por tanto A) es definida positiva. Donde A. es regular, (A) = p y todos sus awiovalores son positivos. Si Q 20 para todo x, entonces A es semidefinida positiva. Donde A es Singular, 1(A)

Zp 20 y autovectores + dp, entonces Q es maxima para el miximo valor de 2 con la xix= 1. Es decir: Q=¥ Ax=xAxmAxx- A; o1. Obsérvese que: |A|=1; (A) =p =2 I-40 -an= =(-ayl-2)=0) == anana' 2 =d-al-ay=0 Bema aa[! O] gowarcajen ono‘ snot Broo al! honesty xan Obsérvese que: |B|=0; (B)=1 NOCIONES BASICAS DE ALGEBRA DE MATRICES a1 Beate '4 -1=AA-2)=0; 4, =2; 4, =0. -1 Las formas cuadriticas tienen muchos usos en el andlisis multivariante 4. Vectores y estadisticos icos descriptivos pueden expresarse mediante vectores. La sume Ia forma matricial de algunos estadisticos y de las an su céleulo: Estadistico Forma matricial Media xe, . vx" 1 n ” Puntuacionesdiferenciles x, = X,—-X x Verianza ste] py? : nl Desviacign tipica se | pe nl Covarianza, sy-lsxy, ,- xty= | Ie ep Soe Rebel Correlacién fy = a Bt a apr a Ey Eyi eng bey Matriz de covarianzas s= loxx n-1 Matiz de varianzas Berets [no Matriz de L ot =xp"? =3{ puntuacion 00 Matriz de 1 correlaciones (Zeer soe S y R son matrices gramianas pues se basan en sumas de cuadrados y productos eruzados.2 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES Las matrices § y R se relacionan mediante las siguientes formulas: R=pD“sp”? S=p'*RD"? (16) é es una matriz regular, las Como $ y R son cuadradas y simétricas y D' es una matriz regular, matrices $ y R son equivalentes. Ello implica que r(S) = r(R). lel cielo de Fjemplo 25: A continaacién se preseia un cjemplo det Cuanza la colin para dos variables medida en tes sje __Sweto 7 T 3 6 2 5 6 3 10 2 nm) 24 ,|[x:) 6.10¥4.90) CorrelaciSn: =0.96 NOCIONES BASICAS DE ALGEBRA DE MATRICES. 2B Matiz coe mepreane ete le arhalslose 5. Combinaciones lineales Las técnicas multivariantes se formulan mediante combinaciones lineales por lo que es necesario comprender su definicién y propiedades. ‘Considérese la siguiente combinacién lineal: yoXa La variable aleatoria y es una transformacion o combinacin lineal de X mediante a, Donde a = (ay, ... ap] es un vector de constantes, X una matriz de puntuaciones dem sujetos en p variables (siendo psu vector de medias). La media y varianza dey es: EQ)sHa Vary) = 1 1 YO = yoy Aa a) = aX na) XIXa = a's a7 ‘A continuscién se presenta un ejemplo para ilustrar la férmula caso en gue p=2: ‘Var (Xi a, +X; as) = Var (Xa) + Var (X33) +2 Cov (Xi a, 43 3) = = ay" Var (Xi) + a3! Var (3) +2.a, a3 Cov (Xi, X3) IN) enel Como se observa, la varianza de una combinacién lineal ¢s tna forma ‘cuadritica. En el caso en que a fuese un vector normalizado (donde aa = 1), la varianza de y queda como: Var(y)=a' Saal haa Las ecuaciones de (1.17) pueden generalizarse al caso ¥=X A. Donde A ¢s una maiz de constantes de orden np, y la media y varianza de Yes. EQ=n'A Ver (A'S A (1.18) A continuacién se comentan algunas propiedades de las matrices S y R. En primer lugar ambas son semidefinidas positivas. Puesto que toda varianza hha de ser no negativa: Var(Xa)20 para todo a"4 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES ‘omo Var (X a)=a! Sa, entonces S tiene que ser, al menos, semidefinida ‘positiva, § y R son matrices equivalentes pues en las formulas que las relacionan en la matriz D!? es regular. Por tanto, R también es semidefinida ps En segundo lugar, puesto que las matrices S y R son equivalentes, el rango de § es el mismo que el de R. Este rango puede ser menor o igual que p.Sir(S)=p, entonces S y R serin definidas positivas pues Var (X a) = al S ‘2 es mayor que cero para todo a 0. Sin embargo, si r(S)

| 1 3 PRINTA 25 [END MATRIX. END MART ‘Como se observa, para definir Ia matriz A se ha utilizado el comando COMPUTE y para que muestre los resultados el comando PRINT. tinuacién, se muestran algunos comandos para obtener operaciones inversa, el determinante y la traza de la MATRIX fon WATAIK procedures 7 “Lo COMPUTE A= 28 COMPUTE 8 5 COMPUTE © =INV (A) ee PRINTA 7 PRINT @ ale. y PRINT C Eis PRINT DET (a) PRINT TRACE (a) pera END MATRIX rence ay ‘Los comandos de las operaciones ms usuales con matrices se resumen en el siguiente cuadro:6 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES Valine abolies dlr domortor de Ts mari R ‘Autonoe de la matic is smd) Antweons desma ai indica Gran ma matic de orden 9X p Tec dela mati A (Gro a mat doo x1 com fo es mega a¢ Gra ana mati agonal on coments el ctor ‘Masi domets dele matic, Minimo coment del mati ‘Matric de wma decneraes de seme de Ned ilias de le mat Neab fla de la match Rang dela mari Sena deo omens ek mar A. Selcin al scemade ecco laces AX = (cil Al #0) Rae nada delenit del mai Stas dent y prod crate debe cen de raged a matic TTRANSPOS (A) Trapt dela mag A ‘A continuacién se muestran ejemplos de algunas operaciones con ‘matrices (suma, producto, determinante y rango) NATROX on HATRIK proceauses a a2 as 2 aa a7 + ae 72 > PRINT A, ae PRINTS. a PRINT C. : PRINT O. a PRINTE 23 4a PRINT ? PRINT DET (A) aon PRINT RANK (A) 343 periay END MATRIX. ue AWAY ONES BASICAS DE ALGEBRA DE MATRICES 7 ‘También puede resolverse el ejemplo 25 del apartado 4 con el lenguaje MATRIX. En este caso A es la matriz X", B la matriz Ix’, C la matriz X,D Ja matriz de covarianzas, G la matriz D' ¢ I es la matriz R. La sintaxis y resultados obtenidos son Run MATRIX procedure: A COMPUTE A= (3, 6:5,6; 10,12) ‘COMPUTE B = (6 no PRINT H 7 PRINT! 3.605551275 3.46a101615 Siasaioiers 3.464201615 END MATRIX s 3.610000000 3. 460000000 3.610000000 _. 000000000 Teooocooso 3460000000 2770082102 .0000000000 Toovovoee0a “2690173410 -997836851 _. 960722463 ‘seo722463 11002372281 A cont 3.5 mediante el28 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES MATRIX Ran MATRIX procedure: A 2 ‘ 6 COMPUTE A= COMPUTE B= ‘COMPUTE CALL EIGEN (A, D, E). PRINT A PRINT 8 PRINT C. PRINT D PRINT E, PRINT DET (A). PRINT TRACE (A). END MATRIX. Donde A es una matriz simétrica, C es la solucién al sistema lineal A X = B, D es la matriz U de autovectores normalizados y E es el vector de autovalores de la matriz A. le leer matrices desde un fichero. Por riz de cortelaciones para seis variables en 1.0000 0.6200, 0.2700 0.7900 1300 0.5800 1700 0.4700 1200 0.0800 700 0.1200 1.0000 0.5800, 014700 0.0800 0.5800 1.0000 Lo primero es redactar la sintaxis para que el SPSS lea el fichero, En este caso: MATRIX DATA VAR xt x2 x3 x4 x5 x6 IFILE="CAdatos. bt" JFORMAT FULL ICONT CORR IN=200 . ‘Al ejecutar la sintaxis, el resultado aparece en el editor de datos del SPSS: NOCIONES BASICAS DE ALGEBRA DE MATRICES. 29 yi ae (jee Como se observa, el SPSS ha lefdo la matriz Ry el nombre y tipo de variables. Con este fichero abierto en el editor de datos, se puede operar con Ta matri R. Por ejemplo, la sintaxis y resultados para obtener los autovalores y el rango de la matriz R es la siguiente: © MATRIX Run MATRIX procedure: GET A/FILE =* CALLEIGEN (A, 8c) RANE (a) 6 PRINT C, PRINT RANK(A), Dif oe END MATRIX. EI Ienguaje MATRIX edemis de ser itil para llevar a cabo operaciones con matrices, también permite ejecutar andlisis multivariantes partiendo de la ‘matriz de correlaciones 0 de la matriz de covarianzas. En los capitulos 3, 4 y 5 se exponen tres técnicas de andlisis multivariante y su correspondiente sintaxis en el lenguaje MATRIX. Antes de ejecta esa siti, para que A sea una matic cua, es necesiro borrr Is dos primera columnas y la primer ila del editor de dates, pues conienen ef nombre, el tipo de variable y el N,respecivameate30 FUNDAMENTOS DE LAS TECNICAS MULTIVARIANTES, 7. Ejercicios [roo |. Sealamatrc , |5 7 9 007 4) {Fsesta matrizal mismo tiempo identidad, cuadrada, diagonal, escalar Yysimétrica? b) (Bs cierto que A= A? c) {Qué orden deberia tener un vector fla que pre-multiplica a la matriz, ‘A para que sean conformables? Si A es una matriz escalar de orden 2 y cada uno de sus efementos diagonales vale &, siendo k # 0, obtenga cuanto vale & sabiendo que ntA)=lal. 4, Encuentre el valor omitido del vector 7 sebiendo que los vectors: 1 oh, yol0 -1 2h Z=[0 2 1} son lincalmentedependientes x= Sen g.[!, J 8-44 6B" oben iim deena “11 yl rango de €. o2 1 | aeft20 0 ]2 0 120 ‘Obtenga el autovalor A; de la matriz. _{4 4] cuyo autovector asoviado es Bi 2 7. La matriz. A es singular y de orden 3. Sus autovalores son 2)=3, 42=-1 y Ay=?. Obtenga cuanto vale el tercer autovalor de A. Seem {fees deo meno d=. 32 NOCIONES BASICAS DE. ALGEBRA DE MATRICES. 31 9. |. Suponga que tres variables aleatorias, Las puntuaciones de 5 personas en 2 pruebas aparecen en la matriz X’: Obtenga la matriz X, el vector x',, 1a matriz de varianzas-covarianzas y lade correlaciones y 45. son independientes =X -% ¢ B= Xi -%, ‘ule las matrices de correlaciones y covarianzas para Y, donde a con varianza 1. Sea Yy= Xi + Xo + C ye |. Indique la sintaxis que tendria que introducir en el lenguaje MATRIX del SPSS para resolver los ejercicios 4 y 9,