Tarea 2

Paola Silva, Rene Salinas, David Castañeda

9 de septiembre de 2018

2.26
P
Use dada en el ejercicio 2.25
 
X 25 −2 4
= −2 4 1
4 1 9
a) Encuentre ρ13 .
Sigma<-matrix(c(25 , -2 , 4, -2,4,1,4,1,9),byrow=T,ncol=3)
Sigma

## [,1] [,2] [,3]

## [1,] 25 -2 4
## [2,] -2 4 1
## [3,] 4 1 9
raizV<-matrix(c(5,0,0,0,2,0,0,0,3),ncol=3, byrow=T)
raizV

## [,1] [,2] [,3]

## [1,] 5 0 0
## [2,] 0 2 0
## [3,] 0 0 3
invraizV<-solve(raizV)
invraizV

## [,1] [,2] [,3]

## [1,] 0.2 0.0 0.0000000
## [2,] 0.0 0.5 0.0000000
## [3,] 0.0 0.0 0.3333333
P<-invraizV%*%Sigma%*%invraizV
P

## [,1] [,2] [,3]

## [1,] 1.0000000 -0.2000000 0.2666667
## [2,] -0.2000000 1.0000000 0.1666667
## [3,] 0.2666667 0.1666667 1.0000000
P[1,3]

## [1] 0.2666667
b) Encuentre la correlación entre X1 y 12 X2 + 12 X3

1
2.30

Te dan el Vector aleatorio X = [X1 , X2 , X3 , X4 ] con vector de medias µ0x = [4, 3, 2, 1] y matriz de varianzas y
covarianzas:
 
3 0 2 2
X 0 1 1 0
= 
2 1 9 −2
2 0 −2 4

Una partición de X es:

 
X1  (1) 
X2  X
 
. . . = . . .
X =   
X3  (2)
X
X4
 
1 −2
Sean: A = [1, 2] y B = y considere las combinaciones lineales AX (1) y BX (2)
2 −1
Encuentre:
X (1) ]
a) E[X
Primero:
 
µ1  (1) 
 µ2  µ
 
µ=.
 . .  =  ... 
 µ3  µ(2)
µ4
 
(1) 4
µ =
3

Ahora:
 
X1
X (1) =
X2
     
X1 E[X1 ] 4
X (1) ] = E[
E[X ]= =
X2 E[X2 ] 3
AX (1) ]
b) E[AX
 
 X1
AX (1) = 1

2 = X1 + 2X2
X2

     
X1 E[X1 ]  E[X1 ]
X (1) ] = A E[
AX (1) ] = A E[X

E[AX ]=A = 1 2 = E[X1 ] + 2E[X2 ] = 4 + 2(3) = 10
X2 E[X2 ] E[X2 ]

X (1) )
c) Cov(X

2
Primero:

.. ..
   
Σ11 . Σ12   X (1) )
Cov(X . X (1) , X (2) )
Cov(X
X) = Σ = 
Cov(X . . . ... ...=Σ =
 ... ... ... 

.. ..
Σ21 . Σ22 X (2) , X (1) )
Cov(X . X (2) )
Cov(X
   
σ11 σ12 3 0
X (1) ) = Σ11 =
Cov(X =
σ21 σ22 0 1
AX (1) )
d) Cov(AX
  
(1)
0
 3 0 1
AX
Cov(AX ) = AΣX (1) A = 1 2
0 1 2

A<-matrix(c(1,2),ncol=2)
Sigma<-matrix(c(3,0,0,1),ncol=2)

A%*%Sigma%*%t(A)

## [,1]
## [1,] 7
  
 3 0 1
AX (1) ) = AΣX (1) A0 = 1

Cov(AX 2 =7
0 1 2
X (1) , X (2) )
i) Cov(X
   
σ13 σ14 2 2
X (1) , X (2) ) = Σ12 =
Cov(X =
σ23 σ24 1 0
AX (1) , BX (2) )
j) Cov(AX

2.35

Usando los vectores b0 = [−4, 3] y d0 = [1, 1] verifique la desigualdad extendida de Cauchy-Schwarz

(bb0 dd)2 < (bb0 Bb

Bb)(dd0 B −1 dd)

si
 
2 −2
B=
−2 5

b<-matrix(c(-4,3), ncol=1)
d<-matrix(c(1,1),ncol=1)
B<-matrix(c(2,-2,-2,5),ncol=2)
b

## [,1]
## [1,] -4
## [2,] 3

3
d

## [,1]
## [1,] 1
## [2,] 1
B

## [,1] [,2]
## [1,] 2 -2
## [2,] -2 5
(t(b)%*%d)^2

## [,1]
## [1,] 1
(t(b)%*%B%*%b)*(t(d)%*%solve(B)%*%d)

## [,1]
## [1,] 229.1667

3.6

Considere la matriz de datos

 
−1 3 2
X = 2 4 2
5 2 3
a) Calcule la matriz de desviaciones (residuales) X − 1x̄0 , es de rango completo esta matriz?
X<-matrix(c(-1,3,2,2,4,2,5,2,3),ncol=3,byrow=T)
Uno<-c(1,1,1)
xbar<-c(mean(X[,1]),mean(X[,2]),mean(X[,3]))

b) Determine S y calcule la varianza muestral generalizada |S

S |. Interprete este ultimo geométricamente.
c) Usando el resultado en b) calcule la varianza total muestral.

3.10

Cuando la varianza generalizada es cero, las columnas de la matriz de los datos de medias corregidas
Xc = X − 1x̄0 son linealmente dependientes, no necesariamente las de la matriz de datos en sí misma. Dados
los datos:
 
3 1 0
6 4 6
 
4 2 2
 
7 0 3
5 3 4
a) Obtenga la matriz de datos corregidos promedio y verifique que las columnas sean linealmente dependi-
entes. Especifique un vector a0 = [a1 , a2 , a3 ] que establezca la dependencia.
b) Obtenga la matriz de covarianza de muestra S y verifique que la varianza generalizada sea cero.
c) Demuestre que las columnas de la matriz de datos son linealmente independientes en este caso.

4
3.12

Muestre que |S
S | = (s11 s22 . . . spp )|R
R|

3.14

Considere la matriz de datos X en el ejercicio 3.1. Tenemos n = 3 observaciones en p = 2 variables X1 y X2 .

Se forman las combinaciones lineales:
 
0
  X1
c X = −1 2 = −X1 + 2X2
X2
 
0
  X1
bX = 2 3 = 2X1 + 3X2
X2
 
9 1
X = 5 3
1 2
(a) Evalúe las medias de muestra, las varianzas y la covarianza de b0 X y c0 X a partir de los primeros
principios. Es decir, calcule los valores observados de b0 X y c0 X
X, y luego use las fórmulas de media,
varianza y covarianza de la muestra.
b) Calcule los promedios de muestra, las varianzas y la covarianza de b0 X y c0 X usando la fórmula (3.36).
Compare los resultados en (a) y (b).

3.16

Sea v un vector
P de variables aleatorias con E[vv ] = µv y matriz de covarianzas E[(vv − µv )(vv − µv )0 ]. Muestre
0
vv ] = v + µv µv0
que E[vv