Variables, vectores y matrices aleatorias

28 de Octubre de 2008 · Imprimir Imprimir

En este post presentaremos los conceptos de vector y matriz aleatoria y estudiaremos algunas de sus características básicas, en particular, analizaremos el valor esperado de una matriz aleatoria y la matriz de covarianzas de un vector aleatorio.

El concepto básico es el de variable aleatoria. A pesar de que se puede dar una definición formal de variable aleatoria -como una función medible definida sobre un espacio de probabilidad y que toma valores en un espacio medible- para nuestros propósitos es suficiente una definición más intuitiva. Así, definiremos una variable aleatoria como una función que a cada uno de los posibles resultados de un proceso aleatorio le hace corresponder un valor real y que está acompañada de una distribución de probabilidad, que permite asignar una cierta probabilidad -o una densidad de probabilidad- a cada uno de los posibles valores de la variable aleatoria. Este concepto se puede generalizar sin dificultad al caso de los vectores y de las matrices. Un vector aleatorio será un vector cuyos componentes son variables aleatorias y una matriz aleatoria será una matriz cuyos componentes son variables aleatorias.

Una vez definido el concepto de variable aleatoria el interés reside en el cálculo de unos índices o medidas resumen que, de forma sintética, nos permiten hacernos una idea del comportamiento de dicha variable. Entre estos índices quizás los más conocidos sean la media -también conocida como valor esperado o esperanza matemática de la variable aleatoria- y la varianza.

Esto mismo ocurre en el caso de encontrarnos con un vector o con una matriz aleatoria. En efecto, sea Y una matriz aleatoria de orden (m,n). Se define el valor esperado de la matriz Y del siguiente modo:

E[Y] = \left ( E[y_{ij}] \right)

De este definición se deduce fácilmente que si X e Y son dos matrices aleatorias , C una matriz constante y a un escalar:

  • E[X+C]=E[X]+C
  • E[X+Y]=E[X]+E[Y]
  • E[aX]=a E[X]
  • E[CX]=CE[X]
  • E[XC]=E[X]C

A partir del hecho de que todo vector es una matriz es inmediata la definición del valor esperado de un vector aleatorio. En efecto, si X es un vector aleatorio:

X = \left ( \begin{array}{c} x_{1} \\ \ldots \\ x_{m} \end{array} \right)

entonces el valor esperado del vector X será:

E[X] = \left ( \begin{array}{c} E[x_{1}] \\ \ldots \\ E[x_{m}] \end{array} \right)

Dado un vector aleatorio X de orden (m,1) se define la matriz de covarianzas de X y se designa por Cov(X) a la siguiente matriz:

Cov(X) = \left( \begin{array}{ccccc} Cov(x_{1},x_{1}) \ \ldots \ Cov(x_{1},x_{j}) \ \ldots \ Cov(x_{1},x_{m}) \\ \ldots \ \ldots \ \ldots \ \ldots \ \ldots \\ Cov(x_{j},x_{1}) \ \ldots \ Cov(x_{j},x_{j}) \ \ldots \ Cov(x_{j},x_{m}) \\ \ldots \ \ldots \ \ldots \ \ldots \ \ldots \\ Cov(x_{m},x_{1}) \ \ldots \ Cov(x_{m},x_{j}) \ \ldots \ Cov(x_{m},x_{m}) \end{array} \right)

Teniendo en cuenta que:

Cov(X_{j},X_{k})=E\{[X_{j}-E(X_{j})][X_{k}-E(X_{k})]\}

podemos expresar la matriz Cov(X) de la siguiente forma forma:

Cov(X)= \left( E\{[X_{j}-E(X_{j})][X_{k}-E(X_{k})]\} \right)

o de manera equivalente:

Cov(X)= E \{[X-E(X)] [X-E(X)]^t \}

A partir de esta definición es sumamente sencillo comprobar que si X es un vector aleatorio, C es un vector constante, \lambda es un escalar y M es una matriz constante entonces se verifican las siguientes igualdades:

  • Cov(X+C)=Cov(X)
  • Cov( \lambda X)= {\lambda}^2 Cov(X)
  • Cov(M X)=M Cov(X) M^t

Un comentario »

  1. Teresa ha dicho,

    20 de 20 de 2010 @ 10:05 am

    muchas gracias por tu aporte

Deja un comentario