Teoria de Matrizes para Estatística

Teoria de Matrizes para Estatstica
Jose Carlos Fogo

Marco, 2008
1 Conceitos Iniciais
1.1 Vetores
Deni cao:
Na Fsica: e uma forma de se representar matematicamentegrandezas fsicas que pos-
suam mais de um aspecto para ser denida.
Exemplo: a for ca, necessita da magnitude, dire cao e sentido em que e aplicada;
Na Matematica: e uma tripla constituda de uma dire cao, um sentido e um n umero
nao negatico (modulo), Venturini, J.J.
Obs: Usando a teoria de matrizes, pode-se denir um vetor como qalquer matriz coluna,
ou matriz linha.
Na Wikipedia: e um conceito caracterizado por uma magnitude (modulo) e uma ori-
enta cao (dire cao e sentido).
Notacao: v, x, a (letras min usculas).
Na disciplina, vamos adotar a nota cao usual em publica coes, ou seja, com letras mn us-
culas, em negrito: v, x, a.
x =
_
_
x
1
x
2
.
.
.
x
p
_
_
, e um vetor de dimensao p.
Exemplo:
x =
_
_
1
2
3
4
_
_
, e um vetor de dimensao 4.
2
1.1.1 Representacao graca no
2
Exemplo: Sejam
x =
_
2
5
_
e y =
_
3
0.5
_
,
0 1 2 3 4
0
1
2
3
4
5
6
Representao grfica de vetores no plano
dim 1
d
i
m

2
x
y
Figura 1: Vetores no plano
1.1.2 Propriedades algebricas
i ) u + v = v + u;
ii ) (u + v) + w = u + (v + w);
iii ) c (u + v) = c v + c u, c = escalar;
iv) (c + d) u = c u + d u, c, d = escalares.
3
1.1.3 Vetores especiais
i ) vetor nulo:
0 =
_
_
0
0
.
.
.
0
_
_
;
ii ) vetor de 1s:
1 =
_
_
1
1
.
.
.
1
_
_
;
iii ) vetor transposto:
v
=
_
v
1
, v
2
, , v
p
_
.
1.1.4 Produto entre vetores
A multiplica cao de vetores pode ser feita basicamente de duas maneiras: o produto
vetorial, ou produto externo e o produto escalar, ou produto interno. De qualquer forma,
nos dois casos os vetores devem ter mesmas dimensoes.
Alem dos dois tipos de produtos acima, pode-se, ainda, realizar o produto elemento-a-
elemento entre dois vetores.
Nota: Na disciplina estaremos interessados apenas nos produtos interno e
elemento-a-elemento.
Considere os vetores
v =
_
_
v
1
v
2
.
.
.
v
p
_
_
e x =
_
_
x
1
x
2
.
.
.
x
p
_
_
.
4
a) Produto elemento-a-elemento
1
:
x v =
_
_
x
1
v
1
x
1
v
2
.
.
.
x
p
v
p
_
_
.
b) Produto interno:
x v = x
v =
p
i=1
x
i
v
i
Exemplo:
Sejam x =
_
_
2
5
1
_
_
e v =
_
_
3
2
3
_
_
,
de (a):
x v =
_
_
(2) (3)
(5) (2)
(1) (3)
_
_
=
_
_
6
10
3
_
_
;
de (b):
x
v = (2) (3) + (5) (2) + (1) (3) = 1.

Nota: Existe, ainda, o produto Kronecker, ou produto direto, representado por xv, que
nao sera abordado por ora.
1
Como nao temos uma nota cao para um operador elemento-a-elemento, vamos utilizar o asterisco (*)
5
1.1.5 Propriedades algebricas do produto interno entre vetores
i ) u
v = v
u;
ii ) (u
+ v
)w = u
w + v
w;
iii ) (c v
)u = c (v
u) = v
(c u), c = escalar;
iv) u
u 0 e, u
u = 0 u = 0.
1.1.6 Modulo ou comprimenro de um vetor
O comprimento, modulo ou norma de um vetor v e denido por
L
v
=
v =
_
v
2
1
+ v
2
2
+ . . . + v
2
p
.
Exemplo: Dados os vetores v
= (2, -5, -1), x
= (3, 2, -3) e u
= (0.8, 0.6), entao

L
v
=
4 + 25 + 9 =
30;
L
x
=
9 + 4 + 9 =
22;
L
u
=
0.64 + 0.36 =
1 = 1.
O vetor u
= (0.64, 0.36, tem comprimento 1, por ieeo e chamado de vetor unit ario.
Outros resultados
i )

Angulo entre vetores:
u
v
Figura 2:

Angulo entre vetores.
6
cos() =
u
v
L
u
L
v
=
u
v
,
se = 90
, cos() = 0, portanto: uv u
v = 0.
ii ) Proje cao de um vetor sobre outro:
Considere os vetores u e v. Entao, a proje cao de u sobre v e obtida por:
P
u/v
=
_
u
v
v
v
_
v =
_
u
v
L
2
v
_
v.
O modulo da proje cao, por sua vez, e dado por:
P
u/v
v
v
v =
v
L
2
v
L
v
=
v
L
v
L
u
L
u
P
u/v
= |cos()| L
u
.
Exemplo: Dados os vetores u
= (1, 2), v
= (2, 1), encontar a proje cao de u sobre v e

calcular o seu modulo.
0.0 0.5 1.0 1.5 2.0 2.5
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
dim1
d
im
2
u
v
P
u v
Figura 3: Proje cao de um vetor u sobre um vetor v.
Calculos:
L
u
=
1
1
+ 2
2
=
5
L
v
= L
u
=
5
u
v = 2 1 + 1 2 = 4
cos() =
u
v
L
u
L
v
=
4
5
= 0.8
= 36.9
7
Proje cao de u sobre v:
P
u/v
=
_
u
v
v
v
_
v =
4
5
_
2
1
_
=
_
1.6
0.8
_
.
Comprimento da proje cao:
P
u/v
= |cos()| L
u
= 0.8
5 =
3.2
De fato
P
u/v
2
=
_
1.6 0.8
_
_
1.6
0.8
_
= 3.2,
logo,
P
u/v
3.2.
1.2 Matrizes
Deni cao:
Matriz e uma cole cao retangular n p de valores reais, representada por
A
np
=
_
_
a
11
a
12
a
1p
a
21
a
22
a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
p1
a
p2
a
pp
_
_
,
onde: n e o n umero de linhas e p e o n umero de colunas da matriz.
1.2.1 Casos Especiais
i ) Matriz Transposta: denotada por A
, e obtida trocando-se as linhas de A pelas

colunas.
Exemplo:
A
23
=
_
3 2 1
1 5 4
_
A
32
=
_
_
3 1
5 2
4 1
_
_
.
8
ii ) Matriz Quadrada: ocorre quando o n umero de linhas e igual ao de colunas.
Exemplo: A
33
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
.
iii ) Matriz Diagonal: matriz quadrada na qual apenas os elementos da diagonal sao
diferentes de zero.
Exemplo: A
pp
=
_
_
a
11
0 0
0 a
22
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
pp
_
_
.
Nota: A matriz identidade e um caso particular da matriz diagonal. Denotada por
I
pp
, seus elementos da diagonal sao todos iguais a 1, ou seja,
a
11
= a
22
= . . . = a
pp
= 1.
Exemplo: A
33
=
_
_
1 0 0
0 1 0
0 0 1
_
_
.
iv) Matriz Simetrica: matriz quadrada em que A = A
, ou seja, quando a
ij
= a
ji
,
i, j = 1, 2, . . . , p.
Exemplo: A
33
=
_
_
1 2 3
2 4 5
3 5 6
_
_
.
1.2.2 Operacoes
i ) Multiplica cao por um escalar:
9
Exemplo:
c A
np
=
_
_
c a
11
c a
12
c a
1p
c a
21
c a
22
c a
2p
.
.
.
.
.
.
.
.
.
.
.
.
c a
p1
c a
p2
c a
pp
_
_
.
ii ) Adi cao de matrizes de mesmas dimensoes:
Exemplo:
A
np
+B
np
=
_
_
a
11
+ b
11
a
12
+ b
12
a
1p
+ b
1p
a
21
+ b
21
a
22
+ b
22
a
2p
+ b
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
+ b
n1
a
n2
+ b
n2
a
np
+ b
np
_
_
.
Resultados
a) A + B = B + A e) (c d) A = c (dA)
b) (A + B) + C = A + (B + C) f ) (A + B)
= A
+ B
c) c (A + B) = c A + c B g) (A B)
= B
d) (c + d) A = c A + d A h) (c A)
= c A
iii ) Multiplica cao de matrizes:

Para a multiplica cao de matrizes o n umero de colunas da primeira (A) deve ser igual
ao n umero de linhas da segunda (B)
A
nk
B
kp
= AB
np
,
em que A Btem elementos formados pelo produto interno das linhas de Apelas colunas
de B.
Exemplo:
A
23
=
_
3 1 2
1 5 4
_
B
32
=
_
_
2 1
7 0
9 3
_
_
,
AB =
_
(6 7 + 18) (3 6)
(2 + 35 36) (1 + 12)
_
=
_
5 3
3 13
_
.
Nota: A matriz identidade e o elemento neutro da multiplica cao de matrizes, ou seja,
AI = A.
10
Resultados
(as matrizes A, B e C sao de dimensoes tais que os produtos abaixo sejam denidos)
a) c (A B) = (c A) B
b) A(B + C) = AB + AC)
c) A(BC) = (AB) C)
Notas:
1) Em geral nao vale a propriedade comutativa, ou seja, A B=B A,
2) Se A B = 0, nao implica que A = 0 ou que B = 0.
1.2.3 A Matriz Inversa
Denotada por A
1
, e tal que: AA
1
= I.
Caso especial: a inversa de uma matriz 22 e dada por
A =
_
a
11
a
12
a
21
a
22
_
, A
1
=
1
|A|
_
a
22
a
11
a
11
a
11
_
.
em que |A| e o determinante da matriz A.
Exemplo:
A =
_
2 3
1 4
_
, A
1
=
1
5
_
4 3
1 2
_
.
Resultados
(as matrizes A, B e C sao tais que as inversas existam e os produtos sejam denidos)
a) (A
1
)
= (A
)
1
b) (AB)
1
= A
1
+B
1
c) Se a inversa de uma matriz A existe, entao |A| = 0.
1.2.4 Matriz Nao Singular
Uma matriz quadrada A
kk
e nao singular se:
Ax = 0 = x = 0.
Notas:
1) Note que Ax = a
1
x
1
+ a
2
x
2
+ . . . + a
k
x
k
, onde a
i
e a i-esima coluna de A,
i = 1, 2, . . . , k. Portanto, uma matriz e nao singular se as suas colunas forem linearmente
independentes,
11
2) Uma matriz quadrada e nao singular se o seu rank for igual ao seu n umero de linhas (ou
colunas),
3) Se A e nao singular, entao existe uma unica matriz inversa A
1
.
1.2.5 Matriz Ortogonal
Uma matriz quadrada e dita ser ortogonal se suas linhas, consideradas como vetores, sao
mutuamente perpendiculares e de comprimento 1, o que equivale a dizer que AA
= I.
Exemplo:
A =
_
_
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
_
_
, entao AA
= I.
Nota: Uma matriz A e ortogonal, se e somente se, A
= A
1
.
1.2.6 Medidas Relacionadas
i ) Determinante: Seja uma matriz quadrada A, entao, seu determinante e um escalar
denotado por |A| e e denido por:
|A| =
k
j=1
(1)
j+1
a
1j
|A
1j
| , k > 1.
em que a
1j
e o j-esimo elemento da primeira linha de A e A
1j
e a matriz obtida
eliminando-se a primeira linha e a j-esima coluna de A.
O resultado tambem e valido quando exclumos qualquer uma das outras linhas, ou
seja
|A| =
k
j=1
(1)
j+1
a
ij
|A
ij
| , k > 1, i = 1, 2, . . . , k.
Exemplo: A =
_
_
2 1 3 0
1 1 2 2
2 0 3 3
4 1 1 2
_
_
.
12
Eliminando-se a primeira linha:
|A| = (1)
1+1
(2)
1 2 2
0 3 3
1 1 2
+ (1)
1+2
(1)
1 2 2
2 3 3
4 1 2
+
(1)
1+3
(3)
1 1 2
2 0 3
4 1 2
+ (1)
1+4
(0)
1 1 3
2 0 3
4 1 1
|A| = (1)
2
(2) (9) + (1)
3
(1) (21) + (1)
4
(3) (23) + (1)
5
(0) (17)
|A| = 18 21 69 = 108.
Eliminando-se a terceira linha:
|A| = (1)
2
(2) (18) + (1)
3
(0) (30) + (1)
4
(3) (2) + (1)
5
(3) (22)
|A| = 36 6 66 = 108.
Casos especiais:
a) k = 2:
A =
_
a
11
a
12
a
21
a
22
_
, |A| = a
11
a
22
a
12
a
21
.
Exemplo:
A =
_
1 3
6 4
_
, |A| = 1 4 3 6 = 14.
b) k = 3:
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
,
|A| = a
21
a
32
a
13
+ a
11
a
22
a
33
+ a
12
a
23
a
31
a
12
a
21
a
33
a
13
a
22
a
31
a
11
a
23
a
32
.
13
Exemplo:
A =
_
_
3 1 6
7 4 5
2 7 1
_
_
,
|A| = 10 + 12 294 7 48 + 105 = 222.
Resultados
(as matrizes A, B sao tais que as inversas existam e os produtos sejam denidos)
a) |A| = |A
|,
b) Se os elementos de uma linha (ou coluna) sao iguais a zero, entao, |A| = 0,
c) Se duas linhas (ou colunas) sao iguais, entao, |A| = 0,
d) Se A e nao singular, entao |A| = 1/|A
1
|, isto e |A||A
1
= 1,
e) |A B| = |A| |B|,
f ) c |A| = c
k
|A|,em que k e o n umero de linhas (ou de colunas) de A,
g) |I| = 1.
Observa cao: Para uma matriz A
kk
os resultados a seguir sao equivalentes
i ) Ax = 0 x = 0,
ii ) |A| = 0,
iii ) Existe A
1
tal que, A
1
A = I.
ii ) Rank: O rank de uma matriz A
kk
e dado pelo n umero maximo de linhas (ou colunas)
linearmente independentes (LI).
Exemplos:
A =
_
_
3 0 1
1 3 1
4 3 4
_
_
, rank(A) = 3,
todas as colunas, ou linhas, de A sao LI.
14
B =
_
_
4 1 3
1 4 5
2 2 0
_
_
, rank(B) = 2,
a primeira coluna de B e combina cao linear das demais.
Notas:
1) Uma matriz quadrada A
kk
e dita ser de posto completo se o seu rank for igual ao
n umero de colunas (nesse caso k),
2) Uma matriz quadrada e de posto completo se, e so se, ela e nao singular,
3) Nos exemplos acima, a matriz A e de posto completo, enquanto que, a matriz B
nao e de posto completo.
iii ) Tra co: Seja uma matriz quadrada A
kk
, entao o tra co de A, denotado por tr(A), e
dado pela soma dos elementos de sua diagonal principal
tr(A =
k
i=1
a
ii
.
Exemplos:
A =
_
_
3 0 1
1 3 1
4 3 4
_
_
, tr(A) = 3 + 3 + 4 = 10.
B =
_
_
4 1 3
1 4 5
2 2 0
_
_
, tr(B) = 8.
Resultados
a) tr(c A) = c tr(A),
b) tr(AB) = tr(A) tr(B),
c) tr(AB) = tr(BA),
d) tr(B
1
AB) = tr(A)
e) tr(AA
) =
k
i=1
k
j=1
a
2
ij
15
1.2.7 Autovalores e Autovetores
Considere a matriz A e os vetores u e v:
A =
_
3 2
1 0
_
u =
_
1
1
_
v =
_
2
1
_
Entao, as transforma coes operadas por A resultam em
Au =
_
3 2
1 0
_ _
1
1
_
=
_
5
1
_
Av =
_
3 2
1 0
_ _
2
1
_
=
_
4
2
_
= 2 v
Representando as transforma coes gracamente temos:

5 1 2 4
x
1
1
1
2
x
2
u
v
Au
Av
Figura 4: Transforma coes do tipo Ax.
Tomando como foco as transforma coes lineares do tipo
Ax = x, com constante,
temos transforma coes nas quais o vetor x tem seu tamanho expandido ou diminuido.
Nota: Toda transforma cao linear de R
n
em R
m
pode ser representada por uma matriz
mn.
16
Por exemplo, A =
_
_
1 1
1 2
1 1
_
_
aplicada no vetor x =
_
x
1
x
2
_
resulta em Ax =
_
_
x
1
+ x
2
x
1
+ 2x
2
x
1
x
2
Deni coes:
i ) Autovetor: um autovetor de uma matriz A
k
k e um vetor x, nao nulo, tal que
Ax = x, para algum escalar .
ii ) Autovalor: um escalar e chamado de autovalor de A se existe solu cao nao trivial x
para Ax = x.
Notas:
1) Os valores e x e sao chamados autovalor e autovetor asociado,
2) Normamente, os autovetores sao dados na forma padronizada e, tal que e
e=1, em que
e
e =
x
|x|
=
x
x
.
Considere a transforma cao Ax = x, entao temos
Ax x = (A I) x = 0.
Calculando o deteminante, temos
|A I| x = 0,
que equivale a
|A I| = 0.
Nota: A equa cao polinomial |Ax I| = 0 e chamada fun cao caracterstica. Desta
forma, devemos obter os valores de que sao razes da fun cao caracterstica.
Resultado: Seja A
kk
uma matriz quadrada, entao existem k autovalores
1
,
2
, . . . ,
k
que satisfazem a equa cao polinomial |Ax I| = 0. Assim sendo, existem k autovetores
e
1
, e
2
, . . . , e
k
associados.
17
Exemplos:
i ) Seja a matriz:
A =
_
1 0
1 3
_
, entao
|A I| =
(1 ) 0
1 (3 )
= (1 ) (3 ) = 0
3 4 +
2
= 0
1
=
4 +
16 12
2
= 3
2
=
4
16 12
2
= 1
Portanto, os autovalores de A sao
1
= 3 e
2
= 1.
Para encontrar os autovetores associados devemos fazer:
Autovetor e
1
associado ao autovalor
1
= 3:
Ax
1
=
1
x
1
_
1 0
1 3
_ _
x
11
x
12
_
= 3
_
x
11
x
12
_
_
x
11
= 3x
11
x
11
+ 3x
12
= 3x
12
Do sistema acima temos que x
11
= 0 e x
12
pode ser um valor arbitrario, o qual
sera considerado igual a 1. O primeiro autovetor e, portanto, x
1
= (0, 1).
Padronizando o autovetor x
1
temos
e
1
=
x
1
_
x
1
x
1
=
_
0
1
_
.
18
Autovetor e
2
2
= 1:
Ax
2
=
2
x
2
_
1 0
1 3
_ _
x
21
x
22
_
=
_
x
21
x
22
_
_
x
21
= x
21
x
21
+ 3x
22
= x
22
Da segunda equa cao temos x
21
= 2x
22
. Tomando x
22
= 1, entao x
21
ca igual a
x
21
= 2 e o segundo autovetor e, portanto, x
2
= (2, 1).
Padronizando o autovetor x
2
temos
e
2
=
x
2
_
x
2
x
2
=
1
5
_
2
1
_
=
_
2/
5
1/
5
_
.
ii ) Outro exemplo:
A =
_
3 4
1 6
_
, entao
(3 ) 4
1 (6 )
= 14 9 +
2
= 0
1
= 7
2
= 2
Autovetor e
1
1
= 7:
_
3x
11
+ 4x
12
= 7x
11
x
11
+ 6x
12
= 7x
12
11
= x
12
, portando, x
1
= (1, 1) e,
e
1
=
_
1/
2
1/
2
_
.
Autovetor e
2
2
= 2:
_
3x
21
+ 4x
22
= 2x
21
x
21
+ 6x
22
= 2x
22
19
21
= 4x
22
, portando, x
2
= (1, 1/4) e,
e
2
=
_
4/
17
1/
17
_
.
1.2.8 Decomposicao Espectral
Seja a matriz A
kk
, simetrica, entao A pode escrita por:
A =
k
i=1
i
e
i
e
i
.
Exemplo:
A =
_
2.2 0.4
0.4 2.8
_
, entao
1
= 3, e
1
=
_
1
5
2
5
_
;
2
= 2, e
2
=
_
2
5
1
5
_
.
Logo,
A = 3
_
1/
5
2/
5
_
_
1
5
,
2
5
_
+ 2
_
2/
5
1/
5
_
_
2
5
,
1
5
_
=
=
_
3/5 6/5
6/5 12/5
_
+
_
8/5 4/5
4/5 1/5
_
=
_
2.2 0.4
0.4 2.8
_
.
Vamos denir uma matriz U, ortogonal, cujas colunas sao formadas pelos autovetores e
1
,
e
2
, . . ., e
k
e, da mesma forma, uma matriz ortogonal V, tal que V = V
, ou seja
U =
_
e
1
| e
2
| . . . | e
k
_
, e
V = U
=
_
_
e
1
e
2
.
.
.
e
k
_
_
.
20
Denindo, ainda, uma matriz diagonal formada pelos autovalores
1
,
2
, . . .,
k
, ou seja,
=
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
k
_
_
,
podemos escrever
A = U V ou A = U U
.
No caso 22, temos
U =
_
e
1
| e
2
_
e =
_

1
0
0
2
_
.
Desta forma, uma matriz A
22
pode ser representada por
A =
_
e
1
| e
2
_
_

1
0
0
2
_ _
e
1
e
2
_
=
1
e
1
e
1
+
2
e
2
e
2
.
Exemplo: No exemplo anterior temos
A =
_
2.2 0.4
0.4 2.8
_
, U =
_
1/
5 2/
5
2/
5 1/
5
_
e =
_
3 0
0 2
_
.
1.2.9 Matriz Denida Positiva
Considere o produto x
Ax. Como temos apenas termos quadraticos x

2
i
e termos cruzados
x
i
x
j
, x
Ax recebe o nome de forma quadratica.

Se uma matriz A
kk
, simetrica, e tal que
x
Ax > 0, x nao nulo,

entao, dizemos que A e uma matriz denida positiva.
Nota: Se uma matriz A
kk
e denida positiva, entao os seus autovalores sao todos
positivos, isto e
i
> 0, i = 1, 2, . . . , k.
21
Exemplo: Considere a forma quadratica 6x
2
1
+ 4x
1
x
2
+ 3x
2
2
, entao
x
Ax =
_
x
1
x
2
_
_
6 2
2 3
_ _
x
1
x
2
_
.
Como 6x
2
1
+ 4x
1
x
2
+ 3x
2
2
> 0, x = 0, entao, A =
_
6 2
2 3
_
e denida positiva.
Notas:
1) Se x
Ax 0, x nao nulo, entao A e semi-denida positiva,

2) Se x
Ax < 0, x nao nulo, entao A e denida negativa,

3) Se x
Ax 0, x nao nulo, entao A e semi-denida negativa.

Casos especiais:
a) Matriz inversa: a inversa de uma matriz A
kk
, simetrica, pode ser obtida fazendo
A
1
=
k
i=1
1
i
e
i
e
i
,
ou ainda,
A
1
= U
1
U
.
b) Matriz raiz quadrada: a matriz raiz quadrada de uma matriz A
kk
, denida posi-
tiva, e uma matriz tal que A
1/2
A
1/2
= A, podendo ser obtida de
A
1/2
=
k
i=1
_
i
e
i
e
i
,
ou, equivalentemente,
A
1/2
= U
1/2
U
,
em que
1/2
e dada por
1/2
=
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
k
_
_
.
22
Outras rela coes envolvendo a matriz raiz quadrada sao apresentadas a seguir:
A
1/2
= (A
1/2
)
1
= U
1/2
U
;
A
1/2
A
1/2
= A
1
.
Exemplo: Considere a matriz A =
_
2.2 0.4
0.4 2.8
_
,
entao, U =
_
1/
5 2/
5
2/
5 1/
5
_
e =
_
3 0
0 2
_
.
Desta forma, fazendo
1/2
=
_

3 0
0
2
_
, temos
A
1/2
=
_
1/
5 2/
5
2/
5 1/
5
_ _

3 0
0
2
_ _
1/
5 2/
5
2/
5 1/
5
_
A
1/2
=
_
(
3+4
2)
5
(2
32
2)
5
(2
32
2)
5
(4
3+
2)
5
_
.
A matriz A
1/2
e a matriz raiz quadrada de A sendo que, de fato
A
1/2
A
1/2
=
_
(
3+4
2)
5
(2
32
2)
5
(2
32
2)
5
(4
3+
2)
5
_ _
(
3+4
2)
5
(2
32
2)
5
(2
32
2)
5
(4
3+
2)
5
_
=
_
2.2 0.4
0.4 2.8
_
= A.
Agora, fazendo
1/2
=
_
1/
3 0
0 1/
2
_
, temos
A
1/2
=
_
1/
5 2/
5
2/
5 1/
5
_ _
1/
3 0
0 1/
2
_ _
1/
5 2/
5
2/
5 1/
5
_
A
1/2
=
_
_
_
1
5
3
+
4
5
2
_ _
2
5
3

2
5
2
_
_
2
5
3

2
5
2
_ _
4
5
3
+
1
5
2
_
_
_
,
sendo assim, teremos
A
1/2
A
1/2
=
1
6
_
2.8 0.2
0.2 2.2
_
= A
1
.
23
1.2.10 Decomposicao em Valores Singulares
Seja a matriz A
mk
uma matriz de valores reais. Existem matrizes U
mm
e V
kk
,
ortogonais, tais que
A = UV
,
em que e uma matriz do tipo
=
_
D
rr
0
0 0
_
mk
, com r = posto de A,
e D e uma matriz diagonal com os r valores singulares de A.
A decomposi cao em valores singulares pode ser expressa numa rela cao matricial que
depende do rank da matriz.
Considerando m > k, entao, existem r constantes positivas,
1
,
2
, . . . ,
r
, r autovetores
u
1
, u
2
, . . . , u
r
, de dimensao m1 e r autovetores v
1
, v
2
, . . . , v
r
, de dimensao k 1, tal que
A =
k
i=1
_
i
u
i
e
i
= U
r

r
V
r
,
em que U
r
= [u
1
| u
2
| | u
r
] e V
r
= [v
1
| v
2
| | v
r
], sao matrizes ortogonais e
r
e
uma matriz diagonal do tipo
r
=
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
r
_
_
.
Nessa situa cao,
1
,
2
, . . . ,
r
e u
1
, u
2
, . . . , u
r
, sao pares de autovalores e autovetores de
AA
, obtidos de
AA
u
i
=
i
u
i
,
em que
1
>
2
> . . . >
r
> 0, sao valores estritamente positivos.
Os vetores v
i
, por sua vez, estao relacionados aos autovetores u
i
, i = 1, 2, . . . , r, pela
rela cao
v
i
=
1
i
A
i
u
i
.
Alternativamente, v
i
, i = 1, 2, . . . , r, sao autovetores associados aos mesmos autovalores
positivos
1
>
2
> . . . >
r
> 0 de A
A.
24
Desta forma, a decomposi cao em valores singulares pode ser escrita pela expressao
A = UV
,
com U, V e dadas pelas rela coes acima.
Exemplo: Seja A =
_
4 8 8
3 6 9
_
, entao, AA
e dada por
AA
=
_
4 8 8
3 6 9
_
_
_
4 3
8 6
8 9
_
_
=
_
144 12
12 126
_
.
Os autovalores de AA
sao
1
= 150 e
2
= 120 com autovetores associados,
u
1
=
_
2/
5
1/
5
_
e u
2
=
_
1/
5
2/
5
_
,
respectivamente.
Os vetores v
1
e v
2
, por sua vez, sao obtidos de
v
1
=
1
150
_
_
4 3
8 6
8 9
_
_
_
2/
5
1/
5
_
=
_
_
1/
30
2/
30
5/
30
_
_
v
2
=
1
120
_
_
4 3
8 6
8 9
_
_
_
1/
5
2/
5
_
=
_
_
1/
6
2/
6
1/
6
_
_
.
Assim sendo, a matriz A pode ser escrita como
A = UV
, ou seja,
=
_
2/
5 1/
5
1/
5 2/
5
_ _

150 0
0
120
_ _
1/
30 2/
30 5/
30
1/
6 2/
6 1/
6
_
.
=
_
4 8 8
3 6 9
_
25
2 Vetores aleatorios
Aplica coes das tecnicas multivariadas
Alguns exemplos em Johnson & Wichern, 3
a
ed.
medicina e sa ude; meio ambiente;
sociologia; meteorologia;
economia e negocios; geologia;
educa cao; psicologia;
biologia; esportes.
2.1 Vetores aleatorios
Deni cao:
Um vetor X, dado por:
X =
_
_
X
1
X
2
.
.
.
X
p
_
_
,
e um vetor aleatorio se X
1
, X
2
, . . . , X
p
forem variaveis aleatorias (vas).
Nota: Da mesma maneira, uma matriz aleatoria e uma matriz cujos elementos sao
variaveis aleatorias.
Como um vetor aleatorio Xe uma representa cao generalizada para uma variavel aleatoria,
aqui tambem iremos representa-lo por va.
2.2 Valor esperado de um vetor aleatorio
O valor esperado de um vetor aleatorio e dado por:
E(X) =
_
_
E(X
1
)
E(X
2
)
.
.
.
E(X
p
)
_
_
,
em que E(X
i
), i = 1, 2, . . . , p, e o valor esperado da i-esima va.
26
Propriedades:
i ) Sejam um va X e a um vetor de coecientes lineares, entao a combina cao linear a
X
tem valor esparado
E(a
X) = a
E(X).
Se temos k combina coes lineares com coecientes dados pelas linhas da matriz A
kp
,
entao:
E(AX) = AE(X).
Exemplos:
a) Sejam X
=(X
1
, X
2
, X
3
) e E
(X)=(2, -1, 1). Se a
=(4, 3, 3), entao

E(a
X) =
_
4, 3, 3
_
_
_
2
1
1
_
_
= 8 3 + 3 = 8.
b) Se temos k = 4 combina coes lineares com coecientes dados pela matriz
A =
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
entao E(AX) =
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
_
_
2
1
1
_
_
=
_
_
4 + 1 + 1
1 + 0 + 1
2 2 + 1
2 1 + 2
_
_
=
_
_
6
2
1
1
_
_
.
ii ) Se X e Y sao vetores alatorios com mesmas dimensoes, entao
E(X+Y) = E(X) + E(Y).
Ainda, se a e b sao vetores de coecientes lineares, entao a combina cao linear a
X+b
Y
tem valor esparado
E(a
X+b
Y) = a
E(X) +b
E(Y).
27
Nota: Normalmente o vetor de medias e denotado por , isto e,
=
_
_
E(X
1
)
E(X
2
)
.
.
.
E(X
p
)
_
_
=
_
2
.
.
.
p
_
_
,
em que
i
=
_
_
_
x
i
x
i
f
i
(x
i
)dx
i
, se x
i
e contnua,
x
i
x
i
p
i
(x
i
), se x
i
e discreta,
i = 1, 2, . . . , p.
2.3 Matriz de variancias e covariancias de um va
Pela deni cao a matriz de variancias e covariancias de um va X, e dada por
= Cov(X) = E [(X)(X)
] =
= E
_
_
_
_
_
_
_
_
(X
1
1
)
(X
2
2
)
.
.
.
(X
p
p
)
_
_
_
(X
1
1
), (X
2
2
), , (X
p
p
)
_
_
_
_
_
_
_
=
= E
_
_
(X
1
1
)
2
(X
1
1
)(X
2
2
) (X
1
1
)(X
p
p
)
(X
2
2
)(X
1
1
) (X
2
2
)
2
(X
2
2
)(X
p
p
)
.
.
.
.
.
.
.
.
.
.
.
.
(X
p
p
)(X
1
1
) (X
p
p
)(X
2
2
) (X
p
p
)
2
_
_
.
Como podemos ver, cada termo de e da forma
ij
= E [(X
i
i
)(X
j
j
)] , i, j = 1, 2, . . . , p,
em que,
ij
= Cov(X
i
, X
j
) e,
ii
= V ar(X
i
), logo,
=
_
11

12

1p
21

22

2p
.
.
.
.
.
.
.
.
.
.
.
.
p1

p2

pp
_
_
.
28
Exemplo: Considere dois vas X
1
e X
2
com a fun cao de probabilidade conjunta represen-
tada pela tabela (Johnson & Wichern, 3
a
ed., p. 71)
x
2
x
1
0 1 p
1
(x
1
)
-1 0.24 0.06 0.30
0 0.16 0.14 0.30
1 0.40 0.00 0.40
p
2
(x
2
) 0.80 0.20 1.00
Calculando dos valores esperados:
1
=
x
1
x
1
p
1
(x
1
) = (1)(0.30) + (0)(0.30) + (1)(0.40) = 0.10
2
=
x
2
x
2
p
2
(x
2
) = (0)(0.80) + (1)(0.20) = 0.20
Calculando as variancias e covariancias:
11
= E
_
(X
1
1
)
2
x
1
(x
1
0.1)
2
p
1
(x
1
) =
= (1 0.1)
2
(0.30) + (0 0.1)
2
(0.30) + (1 0.1)
2
(0.40) = 0.69
22
= E
_
(X
2
2
)
2
x
2
(x
2
0.2)
2
p
2
(x
2
) =
= (0 0.2)
2
(0.80) + (1 0.2)
2
(0.20) = 0.16
12
= E [(X
1
1
)(X
2
2
)] =
x
1
,x
2
(x
1
0.1)(x
2
0.2) p
12
(x
12
) =
= (1 0.1)(0 0.2)(0.24) + (0 0.1)(0 0.2)(0.16) + (1 0.1)(0 0.2)(0.40) +
+(1 0.1)(1 0.2)(0.06) + (0 0.1)(1 0.2)(0.14) + (1 0.1)(1 0.2)(0.00)
= 0.08
21
= E [(X
2
2
)(X
1
1
)] =
12
Desta forma, temos:
=
_
0.10
0.20
_
, =
_
0.69 0.08
0.08 0.16
_
.
29
2.4 Matriz de correlac oes de um va
A correla cao entre duas vas X
i
e X
j
, i, j = 1, 2, . . . , p, e denida por
Corr(X
i
, X
j
) =
ij
=

ij
ii
jj
.
Assim sendo, a matriz de correla coes do va e, portanto,
=
_
_
1
12

1p
21
1
2p
.
.
.
.
.
.
.
.
.
.
.
.
p1

p2
1
_
_
.
Fazendo
V = diag() =
_
11
0 0
0
22
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
pp
_
_
,
entao,
V
1/2
=
_
11
0 0
0

22
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0

pp
_
_
.
Desta forma, podemos escrever:
= (V
1/2
)
1
(V
1/2
)
1
,
ou ainda,
= V
1/2
V
1/2
.
A matriz de covariancias, portanto, e dada pela seguinte rela cao:
= V
1/2
V
1/2
.
30
Exemplos:
a) Considerando o exemplo anterior, temos que
V = diag() =
_
0.69 0
0 0.16
_
,
e, portanto, a matriz de correla cao e dada por
=
_
1/
0.69 0
0 1/
0.16
__
0.69 0.08
0.08 0.16
__
1/
0.69 0
0 1/
0.16
_
=
_
1 0.2408
0.2408 1
_
b) Considere um vetor aleatorio com matriz de covariancias
=
_
_
4 1 2
1 9 3
2 3 25
_
_
.
A matriz de variancias diagonal e dada por
V =
_
_
4 0 0
0 9 0
0 0 25
_
_
,
e a matriz de correla cao, obtida de
=
_
_
1/2 0 0
0 1/3 0
0 0 1/5
_
_
_
_
4 1 2
1 9 3
2 3 25
_
_
_
_
1/2 0 0
0 1/3 0
0 0 1/5
_
_
=
_
_
1 1/6 1/5
1/6 1 1/5
1/5 1/5 1
_
_
.
Propriedades:
a) Seja um va X
p1
, com matriz de covariancias
pp
e seja a
p1
um vetor de coecientes
lineares, entao a combina cao linear a
X tem variancia dada por

V ar(a
X) = a
Cov(X)a
= a
a.
31
Se temos k combina coes lineares com coecientes dados pelas linhas da matriz A
kp
,
entao, a matriz de covariancias dessas combina coes lineares e calculada por
Cov(AX) = ACov(X)A
= AA
.
Exemplos:
c) Conforme exemplo anterior, seja X
=(X
1
, X
2
, X
3
) com
Cov(X) =
_
_
4 1 2
1 9 3
2 3 25
_
_
.
Se a
=(4, 3, 3), entao

Cov(a
X) =
_
4, 3, 3
_
_
_
4 1 2
1 9 3
2 3 25
_
_
_
_
4
3
3
_
_
= 388.
d) Se temos k = 4 combina coes lineares com coecientes dados pela matriz
A =
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
entao:
Cov(AX) =
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
_
_
4 1 2
1 9 3
2 3 25
_
_
_
_
2 0.5 1 1
1 0 2 1
1 1 1 2
_
_
Cov(AX) =
_
_
60.0 36.5 21.0 45.0
36.5 28.0 25.0 45.5
21.0 25.0 61.0 50.0
45.0 45.5 50.0 91.0
_
_
.
32
Nesse caso, a matriz de correla coes e dada por
=
_
_
1.000 0.891 0.347 0.609
0.891 1.000 0.605 0.901
0.347 0.605 1.000 0.671
0.609 0.901 0.671 1.000
_
_
.
Nota: Seja o va X
p1
e um vetor de constantes b
p1
, entao,
Cov(X+b) = Cov(X) = .
Ainda, se A e uma matriz de coecientes k p e b um vetores de constantes k 1,
entao, as combina coes lineares AX + b tem matriz de covariancias
Cov(AX + b) = ACov(X)A
= AA
.
2.4.1 Particionando um va
O vetor aleatorio X pode ser particionado em grupos de variaveis de acordo com as suas
naturezas. Por exemplo:
i ) Estudo do efeito da estrutura organizacional sobre a satisfa c ao no trabalho.
X =
_
X
(1)
X
(2)
_
=
_
_
X
(1)
1
X
(1)
2
X
(1)
3
X
(1)
4
X
(1)
5
X
(2)
1
X
(2)
2
X
(2)
3
X
(2)
4
X
(2)
5
X
(2)
6
X
(2)
7
_
_
=
_
_
feedback/retorno
siginicancia das tarefas
variedades das tarefas
identica cao com as tarefas
autonomia
satisfa cao com a supervisao
satisfa cao com o futuro da carreira
satisfa cao nanceira
satisfa cao com a carga de trabalho
identica cao com a companhia
satisfa cao com o tipo de trabalho
satisfa cao geral
No exemplo acima, sao dois os grupos de variaveis: X
(1)
: caractersticas do trabalho e
X
(2)
: medidas da satisfa cao do funcionario.
33
ii ) Medidas de ossos de frangos num estudo antropometrico das aves.
X =
_
_
X
(1)
X
(2)
X
(3)
_
_
=
_
_
X
1
= X
(1)
1
X
2
= X
(1)
2
X
3
= X
(2)
1
X
4
= X
(2)
2
X
5
= X
(3)
1
X
6
= X
(3)
2
_
_
=
_
_
extensao do cranio
largura do cranio
comprimento do femur
comprimento da tbia
comprimento do umero
comprimento da ulna
Nesse outro exemplo, temos tres grupos de variaveis: X
(1)
: medidas da cabe ca; X
(2)
:
medidas das patas; X
(3)
: medidas das asas.
Parti cao do vetor de medias:
Seja o vetor aleatorio particionado em dois grupos X
(1)
e X
(2)
com q e (p q) variaveis,
respectivamente
X =
_
X
(1)
X
(2)
_
Entao, o vetor de medias deve acompanhar a parti cao,
E(X) =
_
E(X
(1)
)
E(X
(2)
)
_
=
_

(1)
(2)
_
,
em que,
(1)
=
_
(1)
1
(1)
2
.
.
.
(1)
q
_
_
e
(2)
=
_
(2)
1
(2)
2
.
.
.
(2)
pq
_
_
.
Parti cao da matriz de covariancias:
Considere, ainda, a mesma parti cao X
(1)
e X
(2)
do vetor aleatorio X, entao a matriz de
covariancias pode ser escrita na forma
=
_

11

12
21

22
_
34
em que
ij
= (X
(i)
(i)
)(X
(j)
(j)
)
, i, j = 1, 2.
Notas: Assim sendo, temos
i )
11
= cov(X
(1)
);
ii )
22
= cov(X
(2)
);
iii )
12
= cov(X
(1)
, X
(2)
), e a matriz de covariancias entre os componentes de X
(1)
e X
(2)
,
sendo que
12
nao e necessariamente simetrica, nem quadrada;
iv)
21
=
21
.
De fato, pode ser calculada por:
= E [(X)(X)
] =
= E
_ _
(X
(1)
(1)
)
(X
(2)
(2)
)
_
_
(X
(1)
(1)
) (X
(2)
(2)
)
_
_
=
= E
_
(X
(1)
(1)
)(X
(1)
(1)
)
(X
(1)
(1)
)(X
(2)
(2)
)
(X
(2)
(2)
)(X
(1)
(1)
)
(X
(2)
(2)
)(X
(2)
(2)
)
_
.
Calculando a matriz de correla coes:
A matriz decorrela coes deve ser calculada da mesma forma como no caso anterior levando
em conta, agora, a parti cao de X.
Denindo:
V
11
= diag(
11
)
e
V
22
= diag(
22
)
temos que a matriz variancias-diagonal e particionada por
V =
_
V
11
0
0 V
22
_
.
35
As correla coes dos grupos X
(1)
e X
(2)
sao calculadas pelas expressoes
11
= V
1/2
11

11
V
1/2
11
22
= V
1/2
22

22
V
1/2
22
.
A correla cao entre os grupos, dada pela matriz
12
, por sua vez, e dada por
12
= V
1/2
11

12
V
1/2
22
.
Essas expressoes podem obtidas diretamente do produto das matrizes e V particiona-
das, isto e,
= V
1/2
V
1/2
=
_
V
1/2
11
0
0 V
1/2
22
__

11

12
21

22
__
V
1/2
11
0
0 V
1/2
22
_
=
_
V
1/2
11

11
V
1/2
11

12
V
1/2
22

21
V
1/2
22

22
__
V
1/2
11
0
0 V
1/2
11
_
=
_
V
1/2
11

11
V
1/2
11
V
1/2
11

12
V
1/2
22
V
1/2
22

21
V
1/2
11
V
1/2
22

22
V
1/2
22
_
=
_

11

12
21

22
_
Exemplo: Sejam as vas X
1
, X
2
, X
3
, X
4
, X
5
tal que
X
(1)
=
_
_
X
1
X
2
X
3
_
_
e X
(2)
=
_
X
4
X
5
_
.
Conhecendo
=
_
_
25 1 2 4 1
1 9 3 2 0
2 3 4 1 1
4 2 1 9 6
1 0 1 6 16
_
_
,
36
temos que as matrizes de covariancias sao
11
=
_
_
25 1 2
1 9 3
2 3 4
_
_
,
22
=
_
9 6
6 16
_
e
12
=
_
_
4 1
2 0
1 1
_
_
.
Desta forma, as matrizes de correla coes dos grupos e entre grupos sao
11
=
_
_
1/5 0 0
0 1/3 0
0 0 1/2
_
_
_
_
25 1 2
1 9 3
2 3 4
_
_
_
_
1/5 0 0
0 1/3 0
0 0 1/2
_
_
=
_
_
1 1/15 2/10
1/15 1 1/2
2/10 1/2 1
_
_
,
22
=
_
1/3 0
0 1/4
__
9 6
6 16
__
1/3 0
0 1/4
_
=
_
1 1/2
1/2 1
_
,
12
=
_
_
1/5 0 0
0 1/3 0
0 0 1/2
_
_
_
_
4 1
2 0
1 1
_
_
_
1/3 0
0 1/4
_
=
_
_
4/15 1/20
2/9 0
1/6 1/16
_
_
.
A matriz de correla coes global, e, portanto, dada por:
=
_
_
1 1/15 1/5 4/15 1/20
1/15 1 1/2 1/9 0
1/5 1/2 1 1/12 1/16
4/15 1/9 1/12 1 1/2
1/20 0 1/16 1/2 1
_
_
.
37
3 Distribuicoes Multivariadas
3.1 Distribuicao Exponencial Bivariada (ACBVE)
Deni cao:
Um vetor X
= (X
1
, X
2
) tem distribuicao exponencial bivariada absolutamente contnua
(ACBVE) de Block & Basu (1974), se sua densidade conjunta for:
f(x
1
, x
2
) =
_
1
(
2
+
12
)
1
+
2
exp {
1
x
1
(
2
+
12
) x
2
} , 0 < x
1
< x
2
,
2
(
1
+
12
)
1
+
2
exp {(
1
+
12
) x
1
2
x
2
} , x
1
> x
2
> 0,
em que =
1
+
2
+
12
.
Notacao: (X
1
, X
2
)
ACBV E(
1
,
2
,
12
).
Considerando =
_

1
0
12

2
_
, x =
_
x
1
x
2
_
e 1 =
_
1
1
_
, temos
_
_
x
1 =
_
x
1
x
2
_
_

1
0
12

2
_ _
1
1
_
=
1
x
1
+ (
2
+
12
)x
2
e
x
1 = (
1
+
12
)x
1
+
2
x
2
.
Logo, na nota cao matricial,
f(x
1
, x
2
) =
_
1
(
2
+
12
)
1
+
2
exp {x
1} , x
1
< x
2
,
2
(
1
+
12
)
1
+
2
exp {x
1} , x
1
> x
2
,
38
Notas:
1) Existem expressoes para E(X
1
), E(X
2
), V ar(X
1
), V ar(X
2
) e Cov(X
1
, X
2
). Por exemplo
E(X
1
) =
1
(
1
+
12
)
+

2

12
(
1
+
2
) (
1
+
12
)
,
Cov(X
1
, X
2
) =
(
1
1
+
2
2
)
12
+
1

2

2
12
2
(
1
+
2
) (
1
+
12
) (
2
+
12
)
.
2) min(X
1
, X
2
)
Exponencial (), com =

1
+
2
+
12
.
Exemplo: Assumindo que
1
= 1/2,
2
= 1/4 e
12
= 1/20, temos
f(x
1
, x
2
) =
_
_
4
25
exp
_
1
2
x
1
3
10
x
2
_
, 0 < x
1
< x
2
,
11
75
exp
_
11
20
x
1
1
4
x
2
_
, x
1
> x
2
> 0.
Ainda, E(X
1
) =
245
132
= 1.856 e Cov(X
1
, X
2
) =
1025
6336
= 0.1618.
3.2 Distribuicao Normal Multivariada
Caso univariado:
f(x) =
1
2
exp
_
(x )
2
2
2
_
, < x < , < < e > 0.
em que, e a media da distribui cao e
2
a sua variancia.
Notacao: X
N(,
2
).
Algumas probabilidades associadas com o modelo normal univariado:
P ( X + )

= 0.68,
P ( 2 X + 2)

= 0.95.
Podemos escrever o expoente
_
x
_
2
da seguinte forma
_
x
_
2
= (x )(
2
)
1
(x ).
39
Se X
p1
e um va, esse termo pode ser generalizado pela nota cao matricial
(x )

1
(x ),
em que x e o vetor de observa coes multivariado, e o vetor de medias e e a matriz de
covariancias.

Figura 5: Graco da normal univariada com media e desvio padrao .

Assim sendo, a fdp de um va X com distribui cao normal multivariada e dada por
f(x) =
1
(2)
p/2
||
1/2
exp
_
1
2
(x )

1
(x )
_
, < x
i
< , i = 1, 2, . . . , p.
Notacao: X
N
p
(, ).
Exemplo: Normal bivariada X
N
2
(, ),
=
_

1
2
_
=
_

11

12
12

22
_
.
40
Desta forma, temos
|| =
11

22
2
12
e
1
=
1
(
11

22
2
12
)
_

22

12
12

11
_
.
Como =
12
=

12
11

22
, entao,
12
=
11

22
, logo
1
=
1
11

22
(1
2
)
_

22

11

22
11

22

11
_
.
Resultado:
O produto x
Ax, com A simetrica, e conhecido como forma quadratica. No caso 2 2

temos
x
Ax =
_
x
1
x
2
_
_
a b
b c
_ _
x
1
x
2
_
=
_
(a x
1
+ b x
2
) (b x
1
+ c x
2
)
_
_
x
1
x
2
_
= a x
2
1
+ 2b x
1
x
2
+ c x
2
2
.
Desta forma
(x )

1
(x ) =
=
_
(x
1
1
) (x
2
2
)
_

1
_
x
1
1
x
2
2
_
=

22
(x
1
1
)
2
+
11
(x
2
2
)
2
2
11
22
(x
1
1
)(x
2
2
)
11

22
(1
2
)
=
1
(1
2
)
_
_
x
1
11
_
2
+
_
x
2
22
_
2
2
_
x
1
11
__
x
2
22
_
_
.
41
Portanto, a densidade normal bivariada conjunta de X
1
e X
2
e dada por
f(x
1
, x
2
) =
1
(2 )
_
11

22
(1
2
)
exp
_
1
2(1
2
)
_
_
x
1
11
_
2
+
_
x
2
22
_
2
2
_
x
1
11
__
x
2
22
___
.
Se X
1
e X
2
foram independentes, entao = 0 e
f(x
1
, x
2
) =
1
(2 )
11

22
exp
_
1
2
_
_
x
1
11
_
2
+
_
x
2
22
_
2
__
.
Exemplo: Considere uma distribui cao normal bivariada centrada no 0 = (0,0) e com
=
_
2 1
1 8
_
, entao = 1/4, || = 15 e
f(x
1
, x
2
) =
1
(2 )
15
exp
_
1
2(15/16)
_
_
x
1
2
_
2
+
_
x
2
8
_
2
2
1
4
_
x
1
2
__
x
2
8
_
__
f(x
1
, x
2
) =
1
(2 )
15
exp
_
8
15
_
x
2
1
2
+
x
2
2
8

x
1
x
2
8
__
.
Ainda, se X
1
e X
2
foram independentes, com =
_
2 0
0 8
_
, entao = 0 e a densidade
conjunta e dada por
f(x
1
, x
2
) =
1
(8 )
exp
_
x
2
1
4

x
2
2
16
_
f(x
1
, x
2
) =
1
2
exp
_
x
2
1
4
_
1
8
exp
_
x
2
2
16
_
f(x
1
, x
2
) = f(x
1
) f(x
2
).
Como podemos perceber, X
1

N(0, 2) e X
2

N(0, 8).
42
3.2.1 Contornos da Normal Bivariada
Considere a densidade normal bivariada
f(x) =
1
(2) ||
1/2
exp
_
1
2
(x )

1
(x )
_
, < x
i
< , i = 1, 2, . . . , p.
Fazendo f(x) constante igual a h, temos que
2 ||
1/2
h = exp
_
1
2
(x )

1
(x )
_
,
2 log(2 ||
1/2
h) = (x )

1
(x ).
Com c
2
= 2 log(2 ||
1/2
h), entao
(x )

1
(x ) = c
2
,
ou seja, os contornos dados por f(x) = h, sao elipses.
Exemplo: Seja o vetor (X, Y ) com distribui cao normal bivariada com vetor de medias
=
_
5
2
_
e matriz de covariancias =
_
2.5 2.0
2.0 3.2
_
.
Figura 6: fdp conjunta de X e Y , na presen ca de correla cao
Entao, || = 2.5 3.2 (2.0)
2
= 4 e a correla cao entre X e Y e =
2
2.5 3.2
=
0.5.
43
Portanto, a fdp conjnunta de X e Y e da forma
f(x, y) =
1
4
exp
_
(x 5)
2
2.5

(y 2)
2
3.2
+
(x 5)(y 2)
2
_
Considerando, agora, a situa cao de independencia, a matriz de covariancias e dada por
=
_
2.5 0
0 3.2
_
. Desta forma, = 0, || = 8 e a f(x, y) e dada por
f(x, y) =
1
4
2
exp
_
(x 5)
2
5

(y 2)
2
6.4
_
A seguir apresentamos os contornos nas duas situa coes, nas quais podemos vericar a
diferen ca de comportamento das fdps. No primeiro caso, com uma alta correla cao, verica-
mos uma inclina cao dos eixos das elipses em rela cao aos eixos das coordenadas. No segundo
caso, entretanto, os eixos das elipses sao paralelos aos eixos das coordenadas.
Figura 7: Contornos da distribui cao normal bivariada para =
0.5 e = 0, respectiva-
mente
Notas:
1) Os valores de x tais que (x )

1
(x ) = c
2
sao elipsoides centrados em ;
2) Os eixos dos elipsoides estao nas dire coes dos autovetores de
1
e os seus
comprimentos sao proporcionais aos autovalores de
1
;
3) Os elipsoides podem, ainda, serem determinados pela decomposi cao espectral de : se
e denida positiva,
1
existe e
e = e =
1
e =
1
e,
44
ou seja, o par (,e) de autovalor e autovetor de , corresponde ao par (1/,e) de
1
.
Exemplo: No exemplo acima, com =
_
2.5 2.0
2.0 3.2
_
, tem-se:
1
= 4.880, e
1
= (0.6432, 0.7656) e
2
= 0.819, e
2
= (-0.7656, 0.6432).
Desta forma, assumindo c
2
= 1, o eixo principal da elipse formada tem comprimento
c
1
= 2.209 e o eixo secundario tem comprimento c
2
= 0.905.
Figura 8: Contorno da normal bivariada
45
3.2.2 Propriedades
Seja X um v.a. com distribui cao normal N
p
(; ), entao
i ) combina coes lineares de X sao normalmente distribudos;
ii ) subconjuntos de componentes de X tem distribui coes marginais normais, multivariadas
quando for o caso;
iii ) as distribui coes condicionais dos componentes de X sao normais, multivariadas quando
for o caso;
iv) se a covariancias de componentes de X for igual a zero, entao, os componentes corres-
pondentes sao independentes.
Exemplo: Considere a combina cao linear Y = a X = a
1
X
1
+ a
2
X
2
+ . . . + a
p
X
p
. Como
E(Y) = a
E(X) e V ar(Y) = a
V ar(X) a, entao
Y
N(a
; a
a).
Se a = (1, 0, 0, . . . , 0), entao
Y = a
X =
_
1 0 0
_
_
_
X
1
X
2
.
.
.
X
p
_
_
= X
1
,
desta forma, temos que
E(Y ) = a
=
_
1 0 0
_
_
2
.
.
.
p
_
_
=
1
,
V ar(Y ) = a
a =
_
1 0 0
_
_
11

12

1p
12

22

2p
.
.
.
.
.
.
.
.
.
.
.
.
1p

2p

pp
_
_
_
_
1
0
.
.
.
0
_
_
=
=
_

11

12

1p
_
_
_
1
0
.
.
.
0
_
_
=
11
.
46
Do resultado acima, segue-se que as distribui coes marginais de X
i
, i = 1, 2, . . . , p, sao
normais, ou seja
X
i

N(
i
;
ii
).
No caso em que se tem k combina coes lineares dadas pelas linhas da matriz A
kp
, entao
Y = AX tem distribui cao normal
Y
N
k
(A; AA
).
Notas:
1) Y = AX + c, entao Y
N
k
(A +c; AA
);
2) As marginais de Y tambem sao normais.
Exemplos:
a) Seja X
N
3
(; ) e seja a matriz de combina coes lineares A, dada por
A =
_
1 1 0
0 1 1
_
,
Y = AX =
_
X
1
X
2
X
2
X
3
_
.
O valor esperado e a matriz de covariancias de Y sao
E(Y) =
_

1
3
_
e
V ar(Y) =
_

11
+
22
2
12

12
+
23
22
13
12
+
23
22
13

22
+
33
2
23
_
.
b) Considere a parti cao de X
X =
_
X
(1)
q1
X
(2)
(pq)1
_
, com =
_

1
2
_
e =
_

11

12
21

22
_
.
Entao:
X
(1)
N
q
(
1
;
11
) e
X
(2)
N
(pq)
(
2
;
22
)
No 1
grupo, fazendo A =
_
I
qq
0
q(pq)
_
qp
, da o resultado segue direto.
47
Portanto, podemos selecionar componentes de X, ou combina coes lineares de compo-
nentes, escolhendo convenientemente a matriz de coecientes A.
Se X
N
5
(; ) e se X
(1)
= (X
2
, X
4
), entao:
X
(1)
N
2
_ _

2
4
_
;
_

22

24
24

44
_ _
.
Nesse caso, a matriz de coecientes A e da forma
A =
_
0 1 0 0 0
0 0 0 1 0
_
.
Considere um vetor aleatorio X com distribui cao normal multivariada. Os resultados
a seguir denem as condi coes, segundo as quais, variaveis com correla cao nula equivale `a
independencia estatstica.
i ) Se os vetores (X
1
)
q
1
1
e (X
2
)
q
2
1
sao independentes, entao Cov(X
1
, X
2
) = 0
q
1
q
2
;
ii ) Se
_
X
1
X
2
_

N
q
1
+q
2
_ _
X
1
X
2
_
;
_

11

12
12

22
_ _
,
entao X
1
e X
2
sao independentes se, e somente se,
12
= 0.
iii ) Se X
1
e X
2
sao independentes e normalmente distribudos, com densidades conjuntas
X
1

N
q
1
(
1
;
11
) e X
2

N
q
2
(
2
;
22
), entao
_
X
1
X
2
_

N
q
1
+q
2
_ _
X
1
X
2
_
;
_

11
0
0
22
_ _
.
Exemplos:
a) Seja X
N
3
(; ) com =
_
_
4 1 0
1 3 0
0 0 2
_
_
.
De conclui-se que:
- X
1
e X
2
nao sao independentes;
- X
1
=
_
X
1
X
2
_
e X
3
sao independentes, pois
12
=
_
0
0
_
, o que implica que X
3
e independente de X
1
e tambem de X
2
;
48
b) Seja X
N
3
(; ) com =
_
_
3
1
1
_
_
e =
_
_
3 1 1
1 1 0
1 0 2
_
_
.
i ) Se a
= (1, 1, 1), a combina cao linear Y = a
X = X
1
+X
2
+X
3
tem media e variancia
a
= 3 e a
a = 6, ou seja, Y
N(3; 6).
ii ) As variaveis X
2
e X
3
sao independentes.
iii ) Se A =
_
_
1 1 1
0 1 1
0 1/2 1/2
_
_
, entao
A =
_
_
3
1
0
_
_
, AA
=
_
_
6 3 3/2
3 3 1/2
3/2 1/2 3/4
_
_
e
AX
N(A; AA
).
c) Seja X = (X
1
, X
2
, X
3
, X
4
, X
5
), com matriz de covariancias
=
_
_
2 1 0 0 4
1 9 0 0 1
0 0 4 2 0
0 0 2 8 0
4 1 0 0 3
_
_
, indicar quais os grupos de variaveis independentes:
i ) Reordenando a 5
a
coluna de imediatamente apos a 2
a
, temos
=
_
_
2 1 4 0 0
1 9 1 0 0
0 0 0 4 2
0 0 0 2 8
4 1 3 0 0
_
_
,
ii ) Fazendo o mesmo com a 5
a
linha, o resultado nal e
=
_
_
2 1 4 0 0
1 9 1 0 0
4 1 3 0 0
0 0 0 4 2
0 0 0 2 8
_
_
.
Desta forma, verica-se que os grupos de variaveis X
1
= (X
1
, X
2
, X
5
) e X
2
= (X
3
, X
4
)
sao independentes.
49
3.2.3 Distribuicao normal condicional
Seja X
N
p
(; ), em que
=
_

1
2
_
e =
_

11

12
21

22
_
, com |
22
| > 0,
entao, a distribui cao condicional de X
1
|X
2
= x
2
e normal com vetor de medias e matriz de
covariancias dados por
E (X
1
|X
2
) =
1|2
=
1
+
12

1
22
(x
2
2
) ,
V ar (X
1
|X
2
) =
11|2
=
11
12

1
22

21
.
O caso bivariado:
X =
_
X
1
X
2
_

N
2
(; ) em que =
_

1
2
_
e =
_

11

12
21

22
_
,
entao: X
1
|X
2
= x
2

N(
1|2
;
11|2
), em que
1|2
=
1
+

12
22
(x
2
2
) e
11|2
=
11

2
12
22
.
Prova: Da teoria de probabilidades, temos que a densidade condicional de X
1
|X
2
e dada
por f(x
1
|x
2
) = f(x
1
, x
2
)/f(x
2
), nesse caso, temos que
f(x
1
|x
2
) =
(2)
1
||
1/2
exp
_
1
2(1
2
)
(x )

1
(x )
_
(2)
1/2
(
22
)
1/2
exp
_
1
2
_
x
2
22
_
2
_
=
(2)
1/2
||
1/2
exp
_
1
2(1
2
)
_
_
x
1
11
_
2
+
_
x
2
22
_
2
2
_
x
1
11
__
x
2
22
_
__
(
22
)
1/2
exp
_
1
2
_
x
2
22
_
2
_
50
=
(2)
1/2
||
1/2
(
22
)
1/2
exp
_
1
2(1
2
)
_
_
x
1
11
_
2
+
_
x
2
22
_
2
2
_
x
1
11
__
x
2
22
__
+
1
2
_
x
2
22
_
2
_
Completando o quadrado de
_
x
1
11
_
2
2
_
x
1
11
__
x
2
22
_
com
2
_
x
2
22
_
2
, temos
_
(x
1
1
)
11
(x
2
2
)
22
_
2
2
_
x
2
22
_
2
=
=
1
11
_
x
1
11
22
(x
2
2
)
_
2
2
_
x
2
22
_
2
.
Como =

12
11

22
, entao
11

22
=

12
22
, que, substitudo na expressao anterior resulta
1
11
_
x
1
1
+

12
22
(x
2
2
)
__
2
2
_
x
2
22
_
2
,
e, segundo a nota cao adotada, a expressao acima pode ser escrita por
1
11
_
x
1
1|2
_
2
2
_
x
2
22
_
2
.
Retornando ao exponente da expressao inicial, temos que
1
2(1
2
)
_
_
x
1
1|2
_
2
11
2
_
x
2
22
_
2
+
_
x
2
22
_
2
_
+
1
2
_
x
2
22
_
2
=
51
=
1
2(1
2
)
_
_
x
1
1|2
_
2
11
+
_
1
2
_
_
x
2
22
_
2
_
+
1
2
_
x
2
22
_
2
=
1
2
_
x
1
1|2
_
2
(1
2
)
11
.
E facil vericar-se que (1

2
)
11
=
11
2
12
22
=
1|2
, logo, a expressao inicial e escrita por
f(x
1
|x
2
) =
1
_
(2) ||
1/2
(
22
)
1/2
exp
_
_
x
1
1|2
_
2
2
1|2
_
.
Mostra-se, nalmente, que ||
1/2
(
22
)
1/2
= (
11
22

2
12
)
1/2
(
22
)
1/2
=
11

2
12
22
,
portanto
f(x
1
|x
2
) =
1
_
(2)
1|2
exp
_
_
x
1
1|2
_
2
2
1|2
_
,
o que conclui a prova.
Exemplos:
i ) Seja o vetor aleatorio X
= (X
1
, X
2
, X
3
, X
4
), particionado por X
1
= (X
1
, X
2
) e
X
2
= (X
3
, X
4
), com distribui cao normal
X
N
4
_
_
_
_
_
_
_
_
1
1
1
1
_
_
_
_
_
_
;
_
_
_
_
_
_
4 2 1 1
2 9 0 4
1 0 3 2
1 4 2 4
_
_
_
_
_
_
_
_
.
Encontrar a distribui cao de X
1
|X
2
=
_
1
1
_
.
Temos que
22
=
_
3 2
2 4
_
, logo
1
22
=
_
1/2 1/4
1/4 3/8
_
, assim
1|2
=
_
1
1
_
+
_
1 1
0 4
_ _
1/2 1/4
1/4 3/8
_ _ _
1
1
_
_
1
1
_ _
52
1|2
=
_
1
1
_
+
_
1/2
2
_ _
2
0
_
=
_
1.5
3.0
_
11|2
=
_
4 2
2 9
_
_
1 1
0 4
_ _
1/2 1/4
1/4 3/8
_ _
1 0
1 4
_
=
_
4 2
2 9
_
_
3/8 1/2
1/2 6
_
=
_
3.625 1.5
1.5 3.0
_
Portanto X
1
|X
2
=
_
1
1
_

N
2
_ _
1.5
3.0
_
;
_
3.625 1.5
1.5 3.0
_ _
.
ii ) Seja X =
_
X
1
X
2
_

N
2
_ _
1
1
_
;
_
4 2
2 6
_ _
,
encontrar as distribui coes de X
1
|X
2
= 2 e X
2
|X
1
= 0.
a)
1|2
= 1 +
2
6
(2 + 1) = 2,
11|2
= 4
2
2
6
=
10
3
,
logo, X
1
|X
2
= 2
N [ 2 ; 10/3 ]
b)
2|1
= 1 +
2
4
(0 1) =
1
2
,
22|1
= 6
2
2
4
= 5,
logo, X
2
|X
1
= 0
N [ 0.5 ; 5 ]
53

Teoria de Matrizes para Estatística

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Teoria de Matrizes para Estatística

Diunggah oleh

Hak Cipta:

Format Tersedia

Teoria de Matrizes para Estatstica

Jose Carlos Fogo

v = (2) (3) + (5) (2) + (1) (3) = 1.

= (2, -5, -1), x

= (0.8, 0.6), entao

= (2, 1), encontar a proje cao de u sobre v e

, e obtida trocando-se as linhas de A pelas

iii ) Multiplica cao de matrizes:

Ax. Como temos apenas termos quadraticos x

Ax recebe o nome de forma quadratica.

Ax > 0, x nao nulo,

Ax 0, x nao nulo, entao A e semi-denida positiva,

Ax < 0, x nao nulo, entao A e denida negativa,

Ax 0, x nao nulo, entao A e semi-denida negativa.

(X)=(2, -1, 1). Se a

=(4, 3, 3), entao

X tem variancia dada por

=(4, 3, 3), entao

Exponencial (), com =

Figura 5: Graco da normal univariada com media e desvio padrao .

Ax, com A simetrica, e conhecido como forma quadratica. No caso 2 2

= (1, 1, 1), a combina cao linear Y = a

E facil vericar-se que (1

Anda mungkin juga menyukai