Instituto Tecnologico Superior De

Panuco

Ingeniería En Gestión Empresarial

Grupo:
G503

Alumna:
Esmeralda García Ríos

Investigación
Matriz de varianza- covarianza
 Introducción
En esta investigación se abordará el tema de Matriz de varianza, en donde una matriz de
varianzas-covarianzas es una matriz cuadrada que contiene las varianzas y covarianzas
asociadas con diferentes variables, a continuación, se hablara sobre los elementos que
lo contiene.
 Objetivo
Identificar que es un matriz de varianza y covarianza, para calcular errores estándar de
los estimadores.
 Justificación
Esta investigación es utilizada para dar a conocer lo que es una matriz de varianza y
covarianza, la matriz de covarianza es una matriz que contiene la covarianza entre los
elementos de un vector. Es la generalización natural a dimensiones superiores del
concepto de varianza de una variable aleatoria escalar. La varianza de una variable
unidimensional siempre es positiva, en nuestro caso para datos multivariantes la
situación es similar
 Conclusión
Muchas aplicaciones estadísticas calculan la matriz de varianzas-covarianzas para los
estimadores de los parámetros en un modelo estadístico. Suele utilizarse para calcular
los errores estándar de los estimadores o las funciones de los estimadores. Por ejemplo,
la regresión logística crea esta matriz para los coeficientes estimados, lo que permite ver
las varianzas de los coeficientes y las covarianzas entre todos los pares posibles de
coeficientes.
Todas las varianzas y covarianzas nos permiten definir la llamada matriz de varianza y
covarianza. Los elementos de la diagonal de la matriz contienen las varianzas de las
variables, mientras que los elementos que se encuentran fuera de la diagonal contienen
las covarianzas entre todos los pares posibles de variables.

Por ejemplo, usted crea una matriz de varianzas-covarianzas para tres variables X, Y y
Z. En la siguiente tabla, las varianzas se muestran en negrita a lo largo de la diagonal;
las varianzas de X, Y y Z son 2.0, 3.4 y 0.82 respectivamente. La covarianza entre X y Y
es -0.86.

X Y Z

X 2.0 -0.86 -0.15

Y -0.86 3.4 0.48

Z -0.15 0.48 0.82

La matriz de varianzas y covarianzas es simétrica, porque la covarianza entre X y Y es

igual a la covarianza entre Y y X. Por lo tanto, la covarianza para cada par de variables
se muestra dos veces en la matriz: la covarianza entre las variables i-ésima y j-ésima se
muestra en las posiciones (i, j) y (j, i).
Matriz de varianzas y covarianzas

La variabilidad de los datos y la informacion relativa a las relaciones lineales entre las variables se
resumen en la matriz de varianzas y covarianzas. Esta matriz es cuadrada y simétrica de orden k,
donde los términos diagonales son las varianzas y los no diago- nales, las covarianzas entre las
variables. Llamando S a esta matriz, tendremos que, por

Esta matriz puede calcularse como:

i ⎥
⎦
La comprobación es inmediata. Como:
al sumar para⎤ todos los elementos y dividir
⎡ por n se obtienen las varianzas y covarianzas entre las

e
variables. Otra forma de calcular S es a partir de la matriz de datos centrados X, que se obtiene restando
a cada dato su media. Es fácil comprobar que esta matriz puede calcularse mediante
e = X − 1x0 ,
X
y sustituyendo el vector de medias por su expresión dada:

e = X − 1 110 X = PX,
X
n

donde la matriz cuadrada P está definidapor

1
P = I− 110
n

y es simétrica e idempotente (ya que se puede comprobar que PP = P). Entonces la

matriz S puede escribirse:
1 1
S= X0eX =
e X0 PX.
n n
En R el comando correspondiente es:
cov(x)

Observación
La matriz de covarianzas es semidefinida positiva. Es decir, si y es cualquier vector
y0 Sy ≥ 0.
Esta condición también implica que los autovalores de esta matriz λi son no negativos.
Es decir, si Svi = λivi,, entonces λi ≥ 0.

La matriz de correlación

Llamaremos matriz de correlación a la matriz cuadrada y simétrica que tiene unos en la diagonal y
fuera de ella los coeficientes de correlación entre las variables. Escribiremos
⎡ ⎤
1 r12 · · · r1k
R = ⎣⎢ . .
... ⎥
. ⎦
rk1 rk2 · · · 1

Esta matriz es también semidefinida positiva. Para verlo, llamemos D a la matriz diagonal de
orden k construida colocando en la diagonal principal las desviaciones típicas de las variables. La
matriz R esta relacionada con la matriz de covarianzas S mediante:

R = D−1SD−1,
que implica

S = DRD.

La condición w0 Sw ≥ 0 equivale a:
 w0 DRDw = Z0 RZ ≥ 0

llamando Z = Dw. Por tanto, la matriz R es también semidefinida positiva.

En R el comando correspondiente es:
corr(x)

Bibliografía: