Metodos Cuantitativos PDF

FSM71 ‐ ESTADÍSTICA MULTIVARIADA
1. GEOMETRÍA DE LA MUESTRA Y MUESTREO MULTIVARIADO
ANALISIS EXPLORATORIO DE
DATOS MULTIVARIADOS
Métodos Cuantitativos
Dr. Luis Huamanchumo de la Cuba
El Vector de Medias
X1 x2
X2
x
.
X= .
(px1) .
x1
Xp
X= 1
n
i xi = 1 X 1
n
t
1 X.i
Xi =
n
 xri =
n
r
Matriz Varianza-Covarianza
sij = 1
n
i xir xrj - xi xj
s =
1
n
r ( xr - Xr )( xr - Xr )t
t
s =
1 X HX “H” se conoce como
matriz central
n
H = I - 1 11
t
n
Resultado
Mostrar que S es semidefinida positiva y H es simétrica e
idempotente
La matriz M = i xr xrt = XtX se conoce como matriz suma
de cuadrados y productos cruzados y se define como:
xt1
xt2
t
X X = x1 x2 . . . xn . = x1xt1 + x2xt2 + ... + xnxtn
.
xtn
Otras Medidas de Dispersión
Varianza Generalizada S Estimación Máximo

Verosímil
Determinante de la Matriz
Varianza-Covarianza Muestral
Variación Total Tr (S)
Traza de la Matriz Varianza-

Covarianza
Teorema
La matriz de correlación R de un vector aleatorio “y” con matriz de

covarianzas R se calcula a partir de S mediante la relación:
R = D-1/2 S D-1/2
donde D es una matriz diagonal con el i-ésimo elemento de la

diagonal igual a ii
Teorema
La matriz de correlación R es definida positiva

Distancia
Sean P y Q dos puntos que representan medidas
x e y respecto a dos objetos. Una función real
valorada d(P,Q) es una función distancia si tiene las
siguientes propiedades:
I) Simetría d(P,Q) = d(Q,P)
II) No negatividad d(P,Q) > 0, si P = Q

III) Identidad d(P,P) = 0
Métrica
Una distancia es una MÉTRICA si cumple:
IV) Definición d(P,Q) = 0, si P = Q
V) Desigualdad Triangular d(P,R) + d(R,Q)  d(P,Q)
Ultra Métrica
Una distancia es una ULTRAMÉTRICA si cumple:
VI) d(P,Q) ≤ máx { d(P,X) , d(X,Q) }
Distancias para
Datos Cuantitativos
a) Distancia Euclidea
b) Distancia Estadística
c) Distancia de Mahalanobis
a) Distancia Euclidea
La distancia más corta entre dos puntos P=(x1, x2, ..., xn) y Q=(y1, y2, ..., yn)
está definido por:
d2(P,Q) = (x1 - y1)2 + (x2 - y2)2 + ... + (xn - yn)2
Dada X (nxp) una matriz de datos con filas x’1, x’2, …, x’n, entonces, la
distancia Euclidea entre los puntos (objetos) x’i y x’j es dij, donde:
p
d2ij =  (xik – xjk ) 2 = xi - xj
2
k=1
Propiedades Adicionales
a) Es semi definida positiva
b) Es invariante frente a transformaciones ortogonales

en las x
c) Cumple la ley de cosenos
b) Distancia Estadística
Es un concepto de distancia que además de incluir la variabilidad
también incorpora la presencia de correlación
La forma de equilibrar las ponderaciones de acuerdo a la variabilidad

consiste en dividir cada coordenada por la desviación estándar, así se
obtiene las coordenadas estandarizadas.
x2
C / s22 S11>S22
P
x1
-C / s11 o C / s11
-C / s22
Si hacemos:
x1 2 x22
d(O,P) = +
s11 s22
La distancias estadística de P a Q se define como:
(x1 - y1)2 + (x2 - y2)2 + ... + (xn - yn)2

d2(P,Q) =
s11 s22 snn
Si s11=s22=...=snn se puede utilizar la fórmula de la distancia

Euclidea
Si x1 no varía independientemente de x2

x1
x
 2
La variabilidad de x1 es
x2 diferente a la de x2 y,
 además, ambas están
correlacionados
x1
2 x 2
x1 2
d(O,P) = +
s11 s22
donde; 
X1 = x1 cos  + x2 sen 

X2 = - x1 sen  + x2 cos 
La distancia estadística más corta entre dos puntos P=(x1, x2, ..., xn) y
Q=(y1, y2, ..., yn) está definido por:
d2(P,Q) = a11(x1 - y1)2 + a22(x2 - y2)2 + ... +app (xn - yn)2
a12(x1 - y1) (x2 - y2) + a13(x1 - y1) (x3 - y3) + ... +ap-1,p (xp-1 - yp-1) (xp - yp)
Los coeficientes de la expresión anterior pueden representarse mediante

un arreglo matricial, así:
a11 a12 ... a1p
a12 a22 ... a2p
.
.
a1p a2p ... app
Distancia euclidea y distancia estadística

x2
Q
P x1
o
d(P,Q) > d(Q,O) Distancia euclidea

d(P,Q) < d(Q,O) Distancia estadística
b) Distancia de Mahalanobis
La distancia al cuadrado de Mahalanobis entre los puntos xi y xj se

define como:
D2ij = ( xi – xj )’ S-1 ( xi – xj )
Matrices Definidas Positivas
Dado A una matriz simétrica kxk, entonces, A tiene k pares de

vectores y valores característicos:
1, e1 2, e2 … k, ek
tal que,
1 Si i=j
t
ei ej =
0 si i = j
Descomposición Espectral
La descomposición espectral de una matriz simétrica kxk está dado por:
t t
A = 1 e1 e1 + 2 e2 e2 + … + k ek ekt
RESULTADOS
(continuación)
Si A es una matriz kxk definida positiva con descomposición
espectral:

A = 1 e1 e1 = PP
t t
donde PPt = PtP = I
Probar que la matriz raíz cuadrada A1/2 = P1/2Pt tiene las

siguientes propiedades :
a. A1/2 es simétrica
b. A1/2A1/2 = A
c. (A1/2)-1 existe
d. A1/2 A-1/2 = A-1/2A1/2 = I

Metodos Cuantitativos PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Metodos Cuantitativos PDF

Transféré par

Droits d'auteur :

Formats disponibles

FSM71 ‐ ESTADÍSTICA MULTIVARIADA

La matriz M = i xr xrt = XtX se conoce como matriz suma

de cuadrados y productos cruzados y se define como:

Otras Medidas de Dispersión

Varianza Generalizada S Estimación Máximo

Variación Total Tr (S)

Traza de la Matriz Varianza-

La matriz de correlación R de un vector aleatorio “y” con matriz de

donde D es una matriz diagonal con el i-ésimo elemento de la

La matriz de correlación R es definida positiva

I) Simetría d(P,Q) = d(Q,P)

II) No negatividad d(P,Q) > 0, si P = Q

d2(P,Q) = (x1 - y1)2 + (x2 - y2)2 + ... + (xn - yn)2

a) Es semi definida positiva

b) Es invariante frente a transformaciones ortogonales

c) Cumple la ley de cosenos

La forma de equilibrar las ponderaciones de acuerdo a la variabilidad

La distancias estadística de P a Q se define como:

(x1 - y1)2 + (x2 - y2)2 + ... + (xn - yn)2

Si s11=s22=...=snn se puede utilizar la fórmula de la distancia

d2(P,Q) = a11(x1 - y1)2 + a22(x2 - y2)2 + ... +app (xn - yn)2

Los coeficientes de la expresión anterior pueden representarse mediante

Distancia euclidea y distancia estadística

d(P,Q) > d(Q,O) Distancia euclidea

La distancia al cuadrado de Mahalanobis entre los puntos xi y xj se

Matrices Definidas Positivas

Dado A una matriz simétrica kxk, entonces, A tiene k pares de

1, e1 2, e2 … k, ek

La descomposición espectral de una matriz simétrica kxk está dado por:

donde PPt = PtP = I

Probar que la matriz raíz cuadrada A1/2 = P1/2Pt tiene las

Vous aimerez peut-être aussi