Teoria_Matrizes Apostila
-
Upload
luiscpscribd -
Category
Documents
-
view
220 -
download
0
Transcript of Teoria_Matrizes Apostila
-
7/22/2019 Teoria_Matrizes Apostila
1/53
Teoria de Matrizes para Estatstica
Jose Carlos Fogo
Marco, 2008
-
7/22/2019 Teoria_Matrizes Apostila
2/53
Teoria de Matrizes para Estatstica
1 Conceitos Iniciais
1.1 Vetores
Definicao:
Na Fsica: e uma forma de se representar matematicamentegrandezas fsicas que pos-
suam mais de um aspecto para ser definida.
Exemplo: a forca, necessita da magnitude, direcao e sentido em que e aplicada;
Na Matematica: e uma tripla constituda de uma direcao, um sentido e um numeronao negatico (modulo), Venturini, J.J.
Obs: Usando a teoria de matrizes, pode-se definir um vetor como qalquer matriz coluna,
ou matriz linha.
Na Wikipedia: e um conceito caracterizado por uma magnitude (modulo) e uma ori-
entacao (direcao e sentido).
Notacao: v,x,a (letras minusculas).
Na disciplina, vamos adotar a notacao usual em publicacoes, ou seja, com letras mnus-
culas, em negrito: v, x, a.
x=
x1
x2...
xp
, e um vetor de dimensao p.
Exemplo:
x=
1
2
3
4
, e um vetor de dimensao 4.
2
-
7/22/2019 Teoria_Matrizes Apostila
3/53
Teoria de Matrizes para Estatstica
1.1.1 Representacao grafica no2
Exemplo: Sejam
x= 2
5
e y=
30.5
,
0 1 2 3 4
0
1
2
3
4
5
6
Representao grfica de vetores no plano
dim 1
dim2
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
-
7/22/2019 Teoria_Matrizes Apostila
4/53
Teoria de Matrizes para Estatstica
1.1.3 Vetores especiais
i) vetor nulo:
0=
0
0...
0
;
ii) vetor de 1s:
1= 1
1...
1
;
iii) vetor transposto:
v =
v1, v2, , vp
.
1.1.4 Produto entre vetores
A multiplicacao 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=
v1
v2...
vp
e x=
x1
x2...
xp
.
4
-
7/22/2019 Teoria_Matrizes Apostila
5/53
Teoria de Matrizes para Estatstica
a) Produto elemento-a-elemento1:
x v= x1 v1x1 v2
...
xp vp
.
b) Produto interno:
x v= xv =pi=1
xi vi
Exemplo:
Sejam x=
251
e v= 32
3
,
de (a):
x v=
(2) (3)(5) (2)(1) (3)
= 610
3
;
de (b):
xv= (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.
1Como nao temos uma notacao para um operador elemento-a-elemento, vamos utilizar o asterisco (*)
5
-
7/22/2019 Teoria_Matrizes Apostila
6/53
Teoria de Matrizes para Estatstica
1.1.5 Propriedades algebricas do produto interno entre vetores
i) uv = vu;
ii) (u + v)w= uw+ vw;
iii) (c v)u=c(vu) = v(c u), c= escalar;
iv) uu0 e, uu= 0u = 0.
1.1.6 Modulo ou comprimenro de um vetor
O comprimento, modulo ou norma de um vetor v e definido por
Lv= vv= v21+ v22+. . .+v2p.Exemplo: Dados os vetores v = (2, -5, -1), x = (3, 2, -3) e u = (0.8, 0.6), entao
Lv =
4 + 25 + 9 =
30;
Lx =
9 + 4 + 9 =
22;
Lu =
0.64 + 0.36 =
1 = 1.
O vetor u = (0.64, 0.36, tem comprimento 1, por ieeo e chamado de vetor unitario.
Outros resultados
i) Angulo entre vetores:
u
v
Figura 2: Angulo entre vetores.
6
-
7/22/2019 Teoria_Matrizes Apostila
7/53
Teoria de Matrizes para Estatstica
cos() = uvLuLv
= uvuu
vv
,
se = 90, cos() = 0, portanto: uv uv= 0.
ii) Projecao de um vetor sobre outro:
Considere os vetores u e v. Entao, a projecao de u sobre v e obtida por:
Pu/v=
uvvv
v=
uvL2v
v.
O modulo da projecao, por sua vez, e dado por:
Pu/v = uvvvvv= uvL2
v
Lv= uvLvLuLu
Pu/v = |cos()| Lu.Exemplo: Dados os vetores u = (1, 2), v = (2, 1), encontar a projecao 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
dim2
u
v
Pu v
Figura 3: Projecao de um vetor u sobre um vetor v.
Calculos:
Lu=
11 + 22 =
5
Lv=Lu=
5
uv= 2 1 + 1 2 = 4
cos() = uvLuLv
= 45
5= 0.8 =36.9
7
-
7/22/2019 Teoria_Matrizes Apostila
8/53
Teoria de Matrizes para Estatstica
Projecao de usobre v:
Pu/v= uv
vvv= 45 2
1 = 1.6
0.8 .Comprimento da projecao:Pu/v= |cos()| Lu= 0.85 = 3.2De fato
Pu/v
2
=
1.6 0.8
1.6
0.8
= 3.2,
logo,Pu/v = 3.2.1.2 Matrizes
Definicao:
Matriz e uma colecao retangular n
pde valores reais, representada por
Anp =
a11 a12 a1pa21 a22 a2p
... ...
. . . ...
ap1 ap2 app
,
onde: n e o numero de linhas e p e o numero 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:
A23=
3 2 11 5 4
A32 =
3 15 24 1
.
8
-
7/22/2019 Teoria_Matrizes Apostila
9/53
Teoria de Matrizes para Estatstica
ii) Matriz Quadrada: ocorre quando o numero de linhas e igual ao de colunas.
Exemplo: A33 = a11 a12 a13a21 a22 a23
a31 a32 a33
.iii) Matriz Diagonal: matriz quadrada na qual apenas os elementos da diagonal sao
diferentes de zero.
Exemplo: App =
a11 0
0
0 a22 0...
... . . .
...
0 0 app
.
Nota: A matriz identidade e um caso particular da matriz diagonal. Denotada por
Ipp, seus elementos da diagonal sao todos iguais a 1, ou seja,
a11 = a22=. . .= app= 1.
Exemplo: A33=
1 0 00 1 00 0 1
.iv) Matriz Simetrica: matriz quadrada em que A = A, ou seja, quando aij = aji,
i, j = 1, 2, . . . , p.
Exemplo: A33=
1 2 32 4 53 5 6
.1.2.2 Operacoes
i) Multiplicacao por um escalar:
9
-
7/22/2019 Teoria_Matrizes Apostila
10/53
Teoria de Matrizes para Estatstica
Exemplo:
c Anp= c a11 c a12 c a1pc a21 c a22 c a2p
... ...
. . . ...
c ap1 c ap2 c app
.
ii) Adicao de matrizes de mesmas dimensoes:
Exemplo:
Anp+ Bnp = a11+b11 a12+b12 a1p+b1pa21+b21 a22+b22
a2p+b2p
... ...
. . . ...
an1+bn1 an2+bn2 anp+bnp
.
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) = BA
d) (c+d) A=c A+ d A h) (c A) = c A
iii) Multiplicacao de matrizes:
Para a multiplicacao de matrizes o numero de colunas da primeira (A) deve ser igual
ao numero de linhas da segunda (B)
AnkBkp =A Bnp,
em que A B tem elementos formados pelo produto interno das linhas de A pelas colunas
de B.
Exemplo:
A23 =
3 1 21 5 4
B32=
2 17 09 3
,
A B=
(6 7 + 18) (3 6)(2 + 35 36) (1 + 12)
=
5 33 13
.
Nota: A matriz identidade e o elemento neutro da multiplicacao de matrizes, ou seja,
A I= A.
10
-
7/22/2019 Teoria_Matrizes Apostila
11/53
Teoria de Matrizes para Estatstica
Resultados
(as matrizes A, Be Csao de dimensoes tais que os produtos abaixo sejam definidos)
a) c(A B) = (c A) B
b) A (B+ C) = A B+ A C)c) A (B C) = (A B) 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 A1, e tal que: A A1 = I.
Caso especial: a inversa de uma matriz 22 e dada por
A=
a11 a12
a21 a22
, A1 =
1
|A|
a22 a11a11 a11
.
em que|A| e o determinante da matriz A.Exemplo:
A=
2 3
1 4
, A1 =
1
5
4 31 2
.
Resultados
(as matrizes A, Be Csao tais que as inversas existam e os produtos sejam definidos)
a) (A1) = (A)1
b) (A B)1 = A1 +B1
c) Se a inversa de uma matriz Aexiste, entao|
A|
= 0.
1.2.4 Matriz Nao Singular
Uma matriz quadrada Akk e nao singular se:
A x= 0 = x= 0.
Notas:
1) Note que A x= a1x1+a2x2+. . .+akxk, onde ai 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
-
7/22/2019 Teoria_Matrizes Apostila
12/53
Teoria de Matrizes para Estatstica
2) Uma matriz quadrada e nao singular se o seu rank for igual ao seu numero de linhas (ou
colunas),
3) Se A e nao singular, entao existe uma unica matriz inversa A1.
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 A A=I.
Exemplo:
A=
1/2 1/2 1/2 1/21/2 1/2 1/2 1/21/2 1/2 1/2 1/21/2 1/2 1/2 1/2
, entaoA A = I.
Nota: Uma matriz A e ortogonal, se e somente se, A =A1.
1.2.6 Medidas Relacionadas
i) Determinante: Seja uma matriz quadrada A, entao, seu determinante e um escalar
denotado por|A| e e definido por:
|A| =k
j=1
(1)j+1 a1j|A1j| , k >1.
em que a1j e o j-esimo elemento da primeira linha de A e A1j 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 aij|Aij| , k >1, i= 1, 2, . . . , k .
Exemplo: A=
2 1 3 0
1 1 2 22 0 3 3
4 1
1 2
.
12
-
7/22/2019 Teoria_Matrizes Apostila
13/53
Teoria de Matrizes para Estatstica
Eliminando-se a primeira linha:
|A| = (1)1+1
(2) 1 2 2
0 3 31 1 2
+ (1)1+2 (1) 1 2 2
2 3 34 1 2
+(1)1+3 (3)
1 1 2
2 0 34 1 2
+ (1)1+4 (0)
1 1 32 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 =
a11 a12
a21 a22
, |A| =a11a22 a12a21.
Exemplo:
A=
1 3
6 4
, |A| = 1 4 3 6 = 14.
b) k = 3:
A =
a11 a12 a13a21 a22 a23a31 a32 a33
,|A| = a21a32a13+a11a22a33+a12a23a31 a12a21a33 a13a22a31 a11a23a32.
13
-
7/22/2019 Teoria_Matrizes Apostila
14/53
Teoria de Matrizes para Estatstica
Exemplo:
A = 3 1 6
7 4 52 7 1
,|A| = 10 + 12 294 7 48 + 105 = 222.
Resultados
(as matrizes A, Bsao tais que as inversas existam e os produtos sejam definidos)
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/|A1|, isto e|A||A1 = 1,e)|A B| =|A| |B|,
f) c |A| = ck|A|,em que k e o numero de linhas (ou de colunas) de A,g)|I| = 1.
Observacao: Para uma matriz Akk os resultados a seguir sao equivalentes
i) A x= 0 x = 0,ii)|A| = 0,iii) Existe A1 tal que, A1A= I.
ii) Rank: O rank de uma matrizAkk e dado pelo numero maximo de linhas (ou colunas)
linearmente independentes (LI).
Exemplos:
A= 3 0 11 3 1
4 3 4
, rank(A) = 3,todas as colunas, ou linhas, de Asao LI.
14
-
7/22/2019 Teoria_Matrizes Apostila
15/53
Teoria de Matrizes para Estatstica
B= 4 1 3
1 4 5
2 2 0 , rank(B) = 2,a primeira coluna de B e combinacao linear das demais.
Notas:
1) Uma matriz quadrada Akk e dita ser de posto completo se o seu rank for igual ao
numero 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) Traco: Seja uma matriz quadrada Akk, entao o traco de A, denotado por tr(A), e
dado pela soma dos elementos de sua diagonal principal
tr(A=k
i=1
aii.
Exemplos:
A =
3 0 11 3 14 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(A B) = tr(A)tr(B),c) tr(A B) = tr(B A),
d) tr(B1 A B) = tr(A)
e) tr(A A) =ki=1
kj=1a
2ij
15
-
7/22/2019 Teoria_Matrizes Apostila
16/53
Teoria de Matrizes para Estatstica
1.2.7 Autovalores e Autovetores
Considere a matriz A e os vetores u e v:
A= 3 2
1 0
u=
11
v=
21
Entao, as transformacoes operadas por Aresultam em
A u =
3 21 0
1
1
=
51
A v = 3 2
1 0 2
1 = 4
2 = 2 v
Representando as transformacoes graficamente temos:
5 1 2 4
x1
1
1
2
x2
uv
Au
Av
Figura 4: Transformacoes do tipo Ax.
Tomando como foco as transformacoes lineares do tipo
A x= x, com constante,
temos transformacoes nas quais o vetor xtem seu tamanho expandido ou diminuido.
Nota: Toda transformacao linear de Rn em Rm pode ser representada por uma matriz
m n.
16
-
7/22/2019 Teoria_Matrizes Apostila
17/53
Teoria de Matrizes para Estatstica
Por exemplo, A = 1 1
1 2
1 1 aplicada no vetor x= x1
x2 resulta em A x =
x1+x2
x1+ 2x2
x1 x2
Definicoes:
i) Autovetor: um autovetor de uma matriz Ak
k e um vetor x, nao nulo, tal que
A x= x, para algum escalar .
ii) Autovalor: um escalar e chamado de autovalor de A se existe solucao nao trivialx
paraA x= x.
Notas:
1) Os valorese x e sao chamados autovalor e autovetor asociado,
2) Normamente, os autovetores sao dados na forma padronizada e, tal que ee=1, em que
ee= x
|x| = x
xx .
Considere a transformacao A x= x, entao temos
A x x= (A I) x= 0.
Calculando o deteminante, temos
|A I| x= 0,
que equivale a
|A I| = 0.
Nota: A equacao polinomial|A x I| = 0 e chamada funcao caracterstica. Destaforma, devemos obter os valores de que sao razes da funcao caracterstica.
Resultado: Seja Akk uma matriz quadrada, entao existemk autovalores1, 2, . . . , k
que satisfazem a equacao polinomial|A x I| = 0. Assim sendo, existem k autovetorese1, e2, . . . , ek associados.
17
-
7/22/2019 Teoria_Matrizes Apostila
18/53
Teoria de Matrizes para Estatstica
Exemplos:
i) Seja a matriz:
A= 1 0
1 3
, entao
|A I| = (1 ) 01 (3 )
= (1 ) (3 ) = 03 4+2 = 0
1=4 +
16
12
2 = 3
2=4 16 12
2 = 1
Portanto, os autovalores de Asao 1 = 3 e 2= 1.
Para encontrar os autovetores associados devemos fazer:
Autovetor e1 associado ao autovalor 1 = 3:A x1 = 1x1
1 0
1 3
x11
x12
= 3
x11
x12
x11= 3x11
x11+ 3x12 = 3x12
Do sistema acima temos que x11 = 0 e x12 pode ser um valor arbitrario, o qual
sera considerado igual a 1. O primeiro autovetor e, portanto,x1= (0, 1).
Padronizando o autovetor x1 temos
e1= x1
x1x1=
0
1
.
18
-
7/22/2019 Teoria_Matrizes Apostila
19/53
Teoria de Matrizes para Estatstica
Autovetor e2 associado ao autovalor 2 = 1:
A x2=2x2
1 0
1 3
x21
x22
=
x21
x22
x21 = x21
x21+ 3x22 = x22
Da segunda equacao temosx21= 2x22. Tomandox22= 1, entao x21 fica igual ax21 = 2 e o segundo autovetor e, portanto, x 2= (2, 1).Padronizando o autovetor x2 temos
e2= x2
x2x2=
15
2
1
=
2/5
1/
5
.
ii) Outro exemplo:
A=
3 4
1 6
, entao
(3 ) 41 (6 )
= 14 9+2 = 0
1= 7
2= 2
Autovetor e1 associado ao autovalor 1 = 7: 3x11+ 4x12 = 7x11
x11+ 6x12 = 7x12
Do sistema acima temos que x11 = x12, portando, x1 = (1, 1) e,
e1 =
1/
2
1/
2
.
Autovetor e2 associado ao autovalor 2 = 2: 3x21+ 4x22 = 2x21
x21+ 6x22 = 2x22
19
-
7/22/2019 Teoria_Matrizes Apostila
20/53
Teoria de Matrizes para Estatstica
Do sistema acima temos que x21 = 4x22, portando, x2 = (1, 1/4) e,
e2= 4/
17
1/17 .1.2.8 Decomposicao Espectral
Seja a matriz Akk, simetrica, entao Apode escrita por:
A=k
i=1
ieiei.
Exemplo:
A=
2.2 0.4
0.4 2.8
, entao
1= 3, e1=
1
525
;
2= 2, e2=
2
515
.
Logo,
A = 3
1/
5
2/
5
1
5,
25
+ 2
2/
5
1/5
2
5, 1
5
=
=
3/5 6/5
6/5 12/5
+
8/5 4/54/5 1/5
=
2.2 0.4
0.4 2.8
.
Vamos definir uma matrizU, ortogonal, cujas colunas sao formadas pelos autovetorese1,
e2, . . ., ek e, da mesma forma, uma matriz ortogonal V, tal que V= V, ou seja
U =
e1| e2| . . .| ek
, e
V = U =
e1e2...
ek
.
20
-
7/22/2019 Teoria_Matrizes Apostila
21/53
Teoria de Matrizes para Estatstica
Definindo, ainda, uma matriz diagonal formada pelos autovalores 1, 2, . . ., k, ou seja,
= 1 0 00 2 0...
... . . .
...
0 0 k
,
podemos escrever
A= U V ou A= U U.
No caso 22, temos
U=
e1| e2
e =
1 0
0 2
.
Desta forma, uma matriz A22 pode ser representada por
A =
e1| e2 1 0
0 2
e1e2
= 1e1e1+2e2e
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 Definida Positiva
Considere o produtoxAx. Como temos apenas termos quadraticosx2i e termos cruzados
xixj, xA xrecebe o nome de forma quadratica.
Se uma matriz Akk, simetrica, e tal que
xA x> 0, x nao nulo,
entao, dizemos que A e uma matriz definida positiva.
Nota: Se uma matriz Akk e definida positiva, entao os seus autovalores sao todospositivos, isto e i > 0, i= 1, 2, . . . , k.
21
-
7/22/2019 Teoria_Matrizes Apostila
22/53
Teoria de Matrizes para Estatstica
Exemplo: Considere a forma quadratica 6x21+ 4x1x2+ 3x22, entao
xA x= x1 x2 6 22 3 x1x2 .Como 6x21+ 4x1x2+ 3x
22>0, x = 0, entao, A=
6 2
2 3
e definida positiva.
Notas:
1) Se xA x 0, x nao nulo, entao A e semi-definida positiva,2) Se xA x< 0, x nao nulo, entao A e definida negativa,
3) Se xA x 0, x nao nulo, entao A e semi-definida negativa.Casos especiais:
a) Matriz inversa: a inversa de uma matriz Akk, simetrica, pode ser obtida fazendo
A1 =k
i=1
1
ieie
i,
ou ainda,
A1 =U 1U.
b) Matriz raiz quadrada: a matriz raiz quadrada de uma matriz Akk, definida posi-
tiva, e uma matriz tal que A1/2A1/2 = A, podendo ser obtida de
A1/2 =k
i=1
ieie
i,
ou, equivalentemente,
A1/2 =U1/2U,
em que 1/2 e dada por
1/2 =
1 0 00
2 0
... ...
. . . ...
0 0 k
.
22
-
7/22/2019 Teoria_Matrizes Apostila
23/53
Teoria de Matrizes para Estatstica
Outras relacoes envolvendo a matriz raiz quadrada sao apresentadas a seguir:
A1/2 = (A1/2)1 =U1/2U;
A1/2A1/2 =A1.
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 , temosA1/2 =
1/
5 2/
5
2/
5 1/5
3 0
0
2
1/
5 2/
5
2/
5 1/5
A1/2 =
(3+4
2)
5(2322)5
(2322)5
(43+
2)
5
.
A matriz A1/2 e a matriz raiz quadrada de Asendo que, de fato
A1/2 A1/2 =
(3+4
2)
5(2322)5
(2322)5
(43+
2)
5
(3+4
2)
5(2322)5
(2322)5
(43+
2)
5
=
2.2 0.4
0.4 2.8
= A.
Agora, fazendo 1/2 =
1/
3 0
0 1/
2
, temos
A1/2 =
1/
5 2/
5
2/
5 1/5
1/
3 0
0 1/
2
1/
5 2/
5
2/
5 1/5
A1/2 =
153 + 452 253 252 253 2
52
453
+ 152
,sendo assim, teremos
A1/2 A1/2 =16 2.8 0.20.2 2.2 = A1.
23
-
7/22/2019 Teoria_Matrizes Apostila
24/53
Teoria de Matrizes para Estatstica
1.2.10 Decomposicao em Valores Singulares
Seja a matriz Amk uma matriz de valores reais. Existem matrizes Umm e Vkk,
ortogonais, tais que
A= UV,
em que e uma matriz do tipo
=
Drr 0
0 0
mk
, comr = posto de A,
e D e uma matriz diagonal com os r valores singulares de A.
A decomposicao em valores singulares pode ser expressa numa relacao matricial que
depende do rankda matriz.
Considerando m > k, entao, existem r constantes positivas, 1, 2, . . . , r, rautovetores
u1, u2, . . . , ur, de dimensao m 1 e rautovetores v1, v2, . . . , vr, de dimensao k 1, tal que
A=k
i=1
iuie
i = UrrV
r,
em que Ur = [u1
|u2
| |ur] e Vr = [v1
|v2
| |vr], sao matrizes ortogonais e r e
uma matriz diagonal do tipo
r =
1 0 00
2 0
... ...
. . . ...
0 0 r
.
Nessa situacao, 1, 2, . . . , r e u1, u2, . . . , ur, sao pares de autovalores e autovetores de
A A, obtidos de
A Aui=iui,
em que 1 > 2 > . . . > r >0, sao valores estritamente positivos.
Os vetores vi, por sua vez, estao relacionados aos autovetores ui, i = 1, 2, . . . , r, pela
relacao
vi= 1
iAiui.
Alternativamente,vi, i= 1, 2, . . . , r, sao autovetores associados aos mesmos autovalores
positivos 1 > 2 > . . . > r >0 de AA.
24
-
7/22/2019 Teoria_Matrizes Apostila
25/53
Teoria de Matrizes para Estatstica
Desta forma, a decomposicao em valores singulares pode ser escrita pela expressao
A= U V,
com U, Ve dadas pelas relacoes acima.
Exemplo: Seja A=
4 8 8
3 6 9
, entao, A A e dada por
A A =
4 8 8
3 6 9
4 3
8 6
8 9
=
144 1212 126
.
Os autovalores de A A sao 1 = 150 e 2= 120 com autovetores associados,
u1=
2/5
1/
5
e u2=
1/
5
2/
5
,
respectivamente.
Os vetores v1 e v2, por sua vez, sao obtidos de
v1 = 1150
4 38 68 9
2/51/
5= 1/
30
2/305/30
v2= 1
120
4 38 68 9
1/52/
5
=
1/
6
2/
6
1/6
.
Assim sendo, a matriz Apode ser escrita como
A = U V, 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
-
7/22/2019 Teoria_Matrizes Apostila
26/53
Teoria de Matrizes para Estatstica
2 Vetores aleatorios
Aplicacoes das tecnicas multivariadas
Alguns exemplos em Johnson & Wichern, 3a ed. medicina e saude; meio ambiente; sociologia; meteorologia; economia e negocios; geologia; educacao; psicologia; biologia; esportes.
2.1 Vetores aleatorios
Definicao:
Um vetor X, dado por:
X=
X1
X2..
.Xp
,
e um vetor aleatorio se X1, X2, . . . , 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 X e uma representacao 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(X1)
E(X2)...
E(Xp)
,
em que E(Xi), i= 1, 2, . . . , p, e o valor esperado da i -esima va.
26
-
7/22/2019 Teoria_Matrizes Apostila
27/53
Teoria de Matrizes para Estatstica
Propriedades:
i) Sejam um va X e a um vetor de coeficientes lineares, entao a combinacao linear aX
tem valor esparado
E(aX) =aE(X).
Se temos k combinacoes lineares com coeficientes dados pelas linhas da matriz Akp,
entao:
E(AX) =AE(X).
Exemplos:a) Sejam X=(X1, X2, X3) e E(X)=(2, -1, 1). Se a=(4, 3, 3), entao
E(aX) =
4, 3, 3 21
1
= 8 3 + 3 = 8.b) Se temos k = 4 combinacoes lineares com coeficientes dados pela matriz
A=
2 1 1
0.5 0 1
1 2 1
1 1 2
entao E(AX) =
2 1 10.5 0 1
1 2 1
1 1 2
2
11
=
4 + 1 + 1
1 + 0 + 1
2 2 + 12 1 + 2
=
6
2
1
1
.
ii) Se Xe Ysao vetores alatorios com mesmas dimensoes, entao
E(X + Y) =E(X) +E(Y).
Ainda, seae bsao vetores de coeficientes lineares, entao a combinacao linearaX+bY
tem valor esparado
E(aX + bY) =aE(X) + bE(Y).
27
-
7/22/2019 Teoria_Matrizes Apostila
28/53
Teoria de Matrizes para Estatstica
Nota: Normalmente o vetor de medias e denotado por , isto e,
= E(X1)
E(X2)...
E(Xp)
= 1
2...
p
,em que
i=
xi
xifi(xi)dxi, sexi e contnua,
xi
xipi(xi), sexi e discreta,
i= 1, 2, . . . , p.
2.3 Matriz de variancias e covariancias de um va
Pela definicao a matriz de variancias e covariancias de um va X, e dada por
= Cov(X) =E[(X )(X )] =
= E
(X1
1)
(X2 2)...
(Xp p)
(X1 1), (X2 2), , (Xp p) =
= E
(X1 1)2 (X1 1)(X2 2) (X1 1)(Xp p)(X2 2)(X1 1) (X2 2)2 (X2 2)(Xp p)
... ...
. . . ...
(Xp p)(X1 1) (Xp p)(X2 2) (Xp p)2
.
Como podemos ver, cada termo de e da forma
ij =E[(Xi i)(Xj j)] , i, j = 1, 2, . . . , p ,
em que, ij =C ov(Xi, Xj) e, ii=V ar(Xi), logo,
=
11 12 1p21 22
2p
... ... . . . ...
p1 p2 pp
.
28
-
7/22/2019 Teoria_Matrizes Apostila
29/53
Teoria de Matrizes para Estatstica
Exemplo: Considere doisvasX1e X2 com a funcao de probabilidade conjunta represen-
tada pela tabela (Johnson & Wichern, 3a ed., p. 71)
x2x1 0 1 p1(x1)-1 0.24 0.06 0.300 0.16 0.14 0.301 0.40 0.00 0.40
p2(x2) 0.80 0.20 1.00
Calculando dos valores esperados:
1 = x1
x1p1(x1) = (1)(0.30) + (0)(0.30) + (1)(0.40) = 0.10
2 =x2
x2p2(x2) = (0)(0.80) + (1)(0.20) = 0.20
Calculando as variancias e covariancias:
11 = E
(X1 1)2
=x1
(x1 0.1)2 p1(x1) =
= (1 0.1)2(0.30) + (0 0.1)2(0.30) + (1 0.1)2(0.40) = 0.69
22 = E
(X2 2)2
=x2
(x2 0.2)2 p2(x2) =
= (0 0.2)2(0.80) + (1 0.2)2(0.20) = 0.16
12 = E[(X1 1)(X2 2)] =x1,x2
(x1 0.1)(x2 0.2)p12(x12) =
= (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[(X2 2)(X1 1)] =12
Desta forma, temos:
= 0.10
0.20 , = 0.69 0.08
0.08 0.16 .
29
-
7/22/2019 Teoria_Matrizes Apostila
30/53
Teoria de Matrizes para Estatstica
2.4 Matriz de correlacoes de um va
A correlacao entre duas vas Xi e Xj, i, j = 1, 2, . . . , p, e definida por
Corr(Xi, Xj) =ij = ij
ii
jj.
Assim sendo, a matriz de correlacoes do va e, portanto,
=
1 12 1p21 1 2p
... ...
. . . ...
p1 p2 1
.
Fazendo
V= diag() =
11 0 0
0 22 0...
... . . .
...
0 0 pp
,
entao,
V1/2 =
11 0 0
0
22 0...
... . . .
...
0 0 pp
.
Desta forma, podemos escrever:
= (V1/2)1 (V1/2)1,
ou ainda,
= V1/2 V1/2.
A matriz de covariancias, portanto, e dada pela seguinte relacao:
= V1/2 V1/2.
30
-
7/22/2019 Teoria_Matrizes Apostila
31/53
Teoria de Matrizes para Estatstica
Exemplos:
a) Considerando o exemplo anterior, temos que
V= diag() = 0.69 00 0.16
,e, portanto, a matriz de correlacao e dada por
=
1/
0.69 0
0 1/
0.16
0.69 0.080.08 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 21 9 32 3 25
.A matriz de variancias diagonal e dada por
V= 4 0 00 9 0
0 0 25
,e a matriz de correlacao, obtida de
=
1/2 0 00 1/3 00 0 1/5
4 1 21 9 3
2 3 25
1/2 0 00 1/3 0
0 0 1/5
= 1 1/6 1/51/6 1 1/5
1/5 1/5 1
.Propriedades:
a) Seja um vaXp1, com matriz de covariancias ppe sejaap1 um vetor de coeficientes
lineares, entao a combinacao linear aXtem variancia dada por
V ar(aX) = aCov(X)a
= aa.
31
-
7/22/2019 Teoria_Matrizes Apostila
32/53
Teoria de Matrizes para Estatstica
Se temos k combinacoes lineares com coeficientes dados pelas linhas da matriz Akp,
entao, a matriz de covariancias dessas combinacoes lineares e calculada por
Cov(AX) = ACov(X)A
= AA.
Exemplos:
c) Conforme exemplo anterior, seja X=(X1, X2, X3) com
Cov(X) =
4 1 2
1 9 32
3 25
.
Se a=(4, 3, 3), entao
Cov(aX) =
4, 3, 3 4 1 21 9 3
2 3 25
43
3
= 388.d) Se temosk= 4 combinacoes lineares com coeficientes dados pela matriz
A=
2 1 1
0.5 0 1
1 2 1
1 1 2
entao:
Cov(AX) =
2 1 10.5 0 1
1 2 11 1 2
4 1 2
1 9 32 3 25 2 0.5 1 1
1 0 2 11 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
-
7/22/2019 Teoria_Matrizes Apostila
33/53
Teoria de Matrizes para Estatstica
Nesse caso, a matriz de correlacoes e dada por
= 1.000 0.891 0.347 0.609
0.891 1.000 0.605 0.9010.347 0.605 1.000 0.671
0.609 0.901 0.671 1.000
.
Nota: Seja o va Xp1 e um vetor de constantes bp1, entao,
Cov(X + b) =C ov(X) = .
Ainda, se A e uma matriz de coeficientes k
p e b um vetores de constantes k
1,
entao, as combinacoes 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 satisfacao no trabalho.
X=
X(1)
X(2)
=
X(1)1X
(1)2
X(1)3
X(1)4X
(1)5
X(2)1X
(2)2
X(2)
3
X(2)4X
(2)5
X(2)6X
(2)7
=
feedback/retorno
siginificancia das tarefas
variedades das tarefas
identificacao com as tarefas
autonomia
satisfacao com a supervisao
satisfacao com o futuro da carreira
satisfacao financeirasatisfacao com a carga de trabalho
identificacao com a companhia
satisfacao com o tipo de trabalho
satisfacao geral
No exemplo acima, sao dois os grupos de variaveis: X(1): caractersticas do trabalho e
X(2): medidas da satisfacao do funcionario.
33
-
7/22/2019 Teoria_Matrizes Apostila
34/53
Teoria de Matrizes para Estatstica
ii) Medidas de ossos de frangos num estudo antropometrico das aves.
X=
X(1)
X(2)
X(3)
=
X1 = X(1)1
X2 = X(1)2X3 = X
(2)1
X4 = X(2)2
X5 = X(3)1
X6 = X(3)2
=
extensao do cranio
largura do craniocomprimento do femur
comprimento da tbia
comprimento do umero
comprimento da ulna
Nesse outro exemplo, temos tres grupos de variaveis: X(1): medidas da cabeca; X(2):
medidas das patas; X(3): medidas das asas.
Particao do vetor de medias:
Seja o vetor aleatorio particionado em dois grupos X(1) e X(2) com qe (p q) variaveis,respectivamente
X=
X(1)
X(2)
Entao, o vetor de medias deve acompanhar a particao,
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
.
Particao da matriz de covariancias:
Considere, ainda, a mesma particao X(1) e X(2) do vetor aleatorio X, entao a matriz de
covariancias pode ser escrita na forma
=
11 12
21 22
34
-
7/22/2019 Teoria_Matrizes Apostila
35/53
Teoria de Matrizes para Estatstica
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 correlacoes:
A matriz decorrelacoes deve ser calculada da mesma forma como no caso anterior levando
em conta, agora, a particao de X.
Definindo:
V11 = diag(11)
e
V22 = diag(22)
temos que a matriz variancias-diagonal e particionada por
V=
V11 0
0 V22
.
35
-
7/22/2019 Teoria_Matrizes Apostila
36/53
Teoria de Matrizes para Estatstica
As correlacoes dos grupos X(1) e X(2) sao calculadas pelas expressoes
11 = V1/211 11V
1/211
22 = V1/222 22V
1/222 .
A correlacao entre os grupos, dada pela matriz 12, por sua vez, e dada por
12 = V1/211 12V
1/222 .
Essas expressoes podem obtidas diretamente do produto das matrizes e V particiona-
das, isto e,
= V1/2 V1/2 = V1/211 00 V
1/222
11 1221 22
V1/211 00 V
1/222
=
V
1/211 11 V
1/211 12
V1/222 21 V
1/222 22
V
1/211 0
0 V1/211
= V1/211 11V
1/211 V
1/211 12V
1/222
V1/222 21V1/211 V1/222 22V1/222 =
11 12
21 22
Exemplo: Sejam as vasX1, X2, X3, X4, X5 tal que
X(1)
= X1
X2X3
e X(2) = X4X5 .Conhecendo
=
25 1 2 4 11 9 3 2 02 3 4 1 14 2 1 9 6
1 0
1 6 16
,
36
-
7/22/2019 Teoria_Matrizes Apostila
37/53
Teoria de Matrizes para Estatstica
temos que as matrizes de covariancias sao
11 = 25 1 2
1 9 32 3 4
, 22= 9 66 16 e 12 = 4 1
2 01 1
.
Desta forma, as matrizes de correlacoes 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 01 1
1/3 0
0 1/4
=
4/15 1/202/9 0
1/6 1/16
.
A matriz de correlacoes global, e, portanto, dada por:
=
1 1/15 1/5 4/15 1/201/15 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
-
7/22/2019 Teoria_Matrizes Apostila
38/53
Teoria de Matrizes para Estatstica
3 Distribuicoes Multivariadas
3.1 Distribuicao Exponencial Bivariada (ACBVE)
Definicao:
Um vetor X = (X1, X2) tem distribuicao exponencial bivariada absolutamente contnua
(ACBVE) de Block & Basu (1974), se sua densidade conjunta for:
f(x1, x2) =
1(2+12)
1+2exp {1x1 (2+12)x2} , 0< x1 < x2,
2(1+12)1+2
exp {(1+12)x1 2x2} , x1 > x2>0,
em que = 1+2+12.
Notacao: (X1, X2) ACBV E(1, 2, 12).Considerando =
1 0
12 2 , x= x1
x2 e 1= 1
1 , temosx 1=
x1 x2
1 012 2
1
1
= 1x1+ (2+12)x2 e
x1 = (1+12)x1+2x2.
Logo, na notacao matricial,
f(x1, x2) =
1(2+12)
1+2exp {x 1} , x1 < x2,
2(1+12)
1+2exp {x1} , x1 > x2,
38
-
7/22/2019 Teoria_Matrizes Apostila
39/53
Teoria de Matrizes para Estatstica
Notas:
1) Existem expressoes paraE(X1), E(X2), V ar(X1), V ar(X2) eCov(X1, X2). Por exemplo
E(X1) = 1(1+12)
+ 212(1+2) (1+12)
,
Cov(X1, X2) = (11+
22)12+12
212
2 (1+2) (1+12) (2+12).
2) min(X1, X2) Exponencial(), com = 1+2+12.Exemplo: Assumindo que 1 = 1/2, 2 = 1/4 e 12 = 1/20, temos
f(x1, x2) =
425
exp1
2x1 310x2
, 0< x1< x2,
1175
exp11
20x1 14x2
, x1> x2>0.
Ainda, E(X1) =245
132= 1.856 e Cov(X1, X2) =
1025
6336= 0.1618.
3.2 Distribuicao Normal Multivariada
Caso univariado:
f(x) = 1
2exp
(x )
2
22
, < x < , < < e >0.
em que, e a media da distribuicao 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
2da seguinte forma
x
2 = (x )(2)1(x ).39
-
7/22/2019 Teoria_Matrizes Apostila
40/53
Teoria de Matrizes para Estatstica
Se Xp1 e um va, esse termo pode ser generalizado pela notacao matricial
(x )1 (x ),
em que x e o vetor de observacoes multivariado, e o vetor de medias e e a matriz de
covariancias.
Figura 5: Grafico da normal univariada com media e desvio padrao .
Assim sendo, a fdp de um va Xcom distribuicao normal multivariada e dada por
f(x) = 1
(2)p/2 ||1/2 exp
1
2(x )1 (x )
, < xi< , i= 1, 2, . . . , p .
Notacao: X Np(, ).Exemplo: Normal bivariada X N2(, ),
=
1
2
=
11 12
12 22
.
40
-
7/22/2019 Teoria_Matrizes Apostila
41/53
Teoria de Matrizes para Estatstica
Desta forma, temos
|
|=1122
212 e
1 = 1
(1122 212) 22 1212 11 .
Como = 12= 12
1122, entao, 12 =
1122, logo
1 = 1
1122(1 2)
22 1122
1122 11
.
Resultado:
O produto xA x, com Asimetrica, e conhecido como forma quadratica. No caso 2 2temos
xA x =
x1 x2
a bb c
x1
x2
= (a x1+b x2) (b x1+c x2) x1
x2 = a x21+ 2b x1x2+c x
22.
Desta forma
(x )1 (x ) =
= (x1 1) (x2 2) 1
x1 1x2 2
= 22(x1 1)2 +11(x2 2)2 21122(x1 1)(x2 2)
1122(1 2)
= 1
(1 2)
x1 1
11
2+
x2 2
22
2 2
x1 1
11
x2 2
22
.
41
-
7/22/2019 Teoria_Matrizes Apostila
42/53
Teoria de Matrizes para Estatstica
Portanto, a densidade normal bivariada conjunta de X1 e X2 e dada por
f(x1, x2) = 1
(2)1122(1 2) exp 1
2(1 2) x1 111
2
+ x2 222 2
2
x1 111
x2 2
22
.
Se X1 e X2 foram independentes, entao = 0 e
f(x1, x2) = 1
(2)
1122exp
1
2
x1 1
11
2+
x2 2
22
2.
Exemplo: Considere uma distribuicao normal bivariada centrada no 0= (0,0) e com
=
2 1
1 8
, entao = 1/4,|| = 15 e
f(x1, x2) = 1
(2)
15exp
1
2(15/16)
x1
2
2+
x2
8
2 21
4
x1
2
x2
8
f(x1, x2) = 1
(2)
15exp
815
x212
+x22
8 x1x2
8
.
Ainda, se X1 e X2 foram independentes, com =
2 0
0 8
, entao = 0 e a densidade
conjunta e dada por
f(x1, x2) =
1
(8) expx214 x2216f(x1, x2) =
12
2
exp
x
21
4
12
8
exp
x
22
16
f(x1, x2) = f(x1)f(x2).
Como podemos perceber, X1
N(0, 2) e X2
N(0, 8).
42
-
7/22/2019 Teoria_Matrizes Apostila
43/53
Teoria de Matrizes para Estatstica
3.2.1 Contornos da Normal Bivariada
Considere a densidade normal bivariada
f(x) = 1
(2)||1/2 exp1
2(x )1 (x ) , < xi< , i= 1, 2, . . . , p .
Fazendo f(x) constante igual a h, temos que
2 ||1/2 h = exp
12
(x )1 (x )
,
2log(2 ||1/2 h) = (x )1 (x ).
Com c2 = 2 log(2 ||1/2 h), entao
(x )1 (x ) =c2,
ou seja, os contornos dados por f(x) =h, sao elipses.
Exemplo: Seja o vetor (X, Y) com distribuicao 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 presenca de correlacao
Entao,|| = 2.5 3.2 (2.0)2 = 4 e a correlacao entreX e Y e = 22.5 3.2 =
0.5.
43
-
7/22/2019 Teoria_Matrizes Apostila
44/53
Teoria de Matrizes para Estatstica
Portanto, a f dpconjnunta de X e Y e da forma
f(x, y) =
1
4 exp(x 5)22.5 (y 2)23.2 +(x 5)(y 2)2 Considerando, agora, a situacao 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
2exp
(x 5)
2
5 (y 2)
2
6.4
A seguir apresentamos os contornos nas duas situacoes, nas quais podemos verificar a
diferenca de comportamento dasf dps. No primeiro caso, com uma alta correlacao, verifica-
mos uma inclinacao dos eixos das elipses em relacao aos eixos das coordenadas. No segundo
caso, entretanto, os eixos das elipses sao paralelos aos eixos das coordenadas.
Figura 7: Contornos da distribuicao normal bivariada para = 0.5 e = 0, respectiva-mente
Notas:
1) Os valores de xtais que (x )1 (x ) =c2 sao elipsoidescentrados em ;2) Os eixos dos elipsoides estao nas direcoes dos autovetores de 1 e os seus
comprimentos sao proporcionais aos autovalores de 1;
3) Os elipsoides podem, ainda, serem determinados pela decomposicao espectral de : se
e definida positiva, 1
existe e
e= e = 1e= 1
e,
44
-
7/22/2019 Teoria_Matrizes Apostila
45/53
Teoria de Matrizes para Estatstica
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, e1 = (0.6432, 0.7656) e 2= 0.819, e2 = (-0.7656, 0.6432).
Desta forma, assumindo c2 = 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
-
7/22/2019 Teoria_Matrizes Apostila
46/53
Teoria de Matrizes para Estatstica
3.2.2 Propriedades
Seja Xum v.a. com distribuicao normal Np(; ), entao
i) combinacoes lineares de Xsao normalmente distribudos;
ii) subconjuntos de componentes deXtem distribuicoes marginais normais, multivariadas
quando for o caso;
iii) as distribuicoes condicionais dos componentes de Xsao normais, multivariadas quando
for o caso;
iv) se a covariancias de componentes de Xfor igual a zero, entao, os componentes corres-
pondentes sao independentes.
Exemplo: Considere a combinacao linear Y = a X = a1X1+ a2X2+ . . .+apXp. Como
E(Y) = aE(X) e V ar(Y) =aV ar(X) a, entao
Y N(a ; a a).Se a= (1, 0, 0, ..., 0), entao
Y =aX=
1 0 0
X1X2
...
Xp
=X1,
desta forma, temos que
E(Y) = a = 1 0 0
1
2
...p
=1,
V ar(Y) = aa =
1 0 0
11 12 1p12 22 2p
... ...
. . . ...
1p 2p pp
1
0...
0
=
= 11 12 1p 1
0...
0
=11.46
-
7/22/2019 Teoria_Matrizes Apostila
47/53
Teoria de Matrizes para Estatstica
Do resultado acima, segue-se que as distribuicoes marginais de Xi, i = 1, 2, . . . , p, sao
normais, ou seja
Xi N(i;ii).No caso em que se temk combinacoes lineares dadas pelas linhas da matriz Akp, entao
Y= A Xtem distribuicao normal
Y Nk(A ; A A).Notas:
1) Y= A X+ c, entao Y
Nk(A + c; A A
);
2) As marginais de Ytambem sao normais.
Exemplos:
a) Seja X N3(; ) e seja a matriz de combinacoes lineares A, dada porA =
1 1 00 1 1
,
Y = A X=
X1 X2X2
X3
.
O valor esperado e a matriz de covariancias de Ysao
E(Y) =
1 22 3
e
V ar(Y) =
11+22 212 12+23 22 1312+23 22 13 22+33 223
.
b) Considere a particao de X
X=
X
(1)q1
X(2)(pq)1
, com =
1
2
e =
11 12
21 22
.
Entao:
X(1)
Nq(1; 11) e
X(2) N(pq)(2; 22)No 1 grupo, fazendo A= Iqq 0q(pq) qp
, da o resultado segue direto.
47
-
7/22/2019 Teoria_Matrizes Apostila
48/53
Teoria de Matrizes para Estatstica
Portanto, podemos selecionar componentes de X, ou combinacoes lineares de compo-
nentes, escolhendo convenientemente a matriz de coeficientes A.
Se X N5(; ) e se X(1) = (X2, X4), entao:X(1) N2 24
;
22 24
24 44
.
Nesse caso, a matriz de coeficientes A e da forma
A=
0 1 0 0 0
0 0 0 1 0
.
Considere um vetor aleatorio X com distribuicao normal multivariada. Os resultados
a seguir definem as condicoes, segundo as quais, variaveis com correlacao nula equivale a
independencia estatstica.
i) Se os vetores (X1)q11 e (X2)q21 sao independentes, entao Cov(X1, X2) = 0q1q2;
ii) Se
X1
X2
Nq1+q2
X1
X2
;
11 12
12 22
,
entao X1 e X2 sao independentes se, e somente se, 12 = 0.
iii) Se X1 e X2 sao independentes e normalmente distribudos, com densidades conjuntas
X1 Nq1(1; 11) e X2 Nq2(2; 22), entao X1
X2
Nq1+q2
X1
X2
;
11 0
0 22
.
Exemplos:
a) Seja X N3(; ) com = 4 1 01 3 0
0 0 2
.De conclui-se que:
- X1 e X2 nao sao independentes;
- X1 = X1
X2 e X3 sao independentes, pois 12 = 0
0 , o que implica que X3e independente de X1 e tambem de X2;
48
-
7/22/2019 Teoria_Matrizes Apostila
49/53
Teoria de Matrizes para Estatstica
b) Seja X
N3(; ) com =
3
11
e =
3 1 1
1 1 01 0 2
.
i) Sea = (1, 1, 1), a combinacao linearY =aX= X1+X2+X3tem media e variancia
a= 3 e a a= 6, ou seja, Y N(3; 6).ii) As variaveisX2 e X3 sao independentes.
iii) Se A=
1 1 10 1 10 1/2 1/2
, entao
A = 310
, A A= 6 3 3/23 3 1/23/2 1/2 3/4
eA X N(A ; A A).
c) Seja X= (X1, X2, X3, X4, X5), com matriz de covariancias
=
2 1 0 0 4
1 9 0 0 10 0 4 2 00 0 2 8 0
4 1 0 0 3
, indicar quais os grupos de variaveis independentes:
i) Reordenando a 5a coluna de imediatamente apos a 2a, temos
=
2 1 4 0 0
1 9 1 0 00 0 0 4 2
0 0 0 2 8
4 1 3 0 0
,
ii) Fazendo o mesmo com a 5a linha, o resultado final e
=
2 1 4 0 0
1 9 1 0 04 1 3 0 00 0 0 4 2
0 0 0 2 8
.
Desta forma, verifica-se que os grupos de variaveisX1 = (X1, X2, X5) e X2= (X3, X4)
sao independentes.
49
-
7/22/2019 Teoria_Matrizes Apostila
50/53
Teoria de Matrizes para Estatstica
3.2.3 Distribuicao normal condicional
Seja X
Np(; ), em que
=
1
2
e =
11 12
21 22
, com |22| >0,
entao, a distribuicao condicional de X1|X2 = x2 e normal com vetor de medias e matriz decovariancias dados por
E(X1|X2) = 1|2 = 1+ 12122 (x2 2) ,
V ar (X1|X2) = 11|2 = 11 12122 21.
O caso bivariado:
X=
X1
X2
N2(; ) em que = 12
e =
11 12
21 22
,
entao: X1|X2=x2
N(1|2 ; 11|2), em que
1|2=1+ 12
22(x2 2) e 11|2 = 11 212
22.
Prova: Da teoria de probabilidades, temos que a densidade condicional de X1|X2 e dadapor f(x1|x2) =f(x1, x2)/f(x2), nesse caso, temos que
f(x1|x2) =(2)1 ||1/2 exp
1
2(12)(x )1 (x )
(2)1/2 (22)1/2 exp12
x2222
2
=
(2)1/2 ||1/2 exp
12(12)
x11
11
2+
x2222
2 2
x11
11
x22
22
(22)1/2 exp
1
2
x22
22
2
50
-
7/22/2019 Teoria_Matrizes Apostila
51/53
Teoria de Matrizes para Estatstica
= (2)1/2 ||1/2
(22)1/2 exp
1
2(1 2)
x1 1
11
2+
x2 2
22
2
2
x1 111
x2 2
22
+
1
2
x2 2
22
2
Completando o quadrado dex1 1
11
2 2
x1 1
11
x2 2
22
com 2
x2 222
2, temos
(x1 1)
11 (x2 2)
22
2 2
x2 2
22
2=
=
1
11 x1 1 1122 (x2 2)2
2x2 222
2
.
Como = 12
1122, entao
1122
=1222
, que, substitudo na expressao anterior resulta
1
11
x1
1+
1222
(x2 2)2
2
x2 222
2,
e, segundo a notacao adotada, a expressao acima pode ser escrita por
1
11
x1 1|2
2 2x2 222
2.
Retornando ao exponente da expressao inicial, temos que
12(1 2)
x1 1|2
211
2
x2 222
2+
x2 2
22
2+
1
2
x2 2
22
2=
51
-
7/22/2019 Teoria_Matrizes Apostila
52/53
Teoria de Matrizes para Estatstica
= 12(1 2)
x1 1|2
211
+
1 2x2 222
2+
1
2
x2 2
22
2
= 12
x1 1|2
2(1 2)11 .
E facil verificar-se que (1 2) 11 = 11 212
22=1|2, logo, a expressao inicial e escrita por
f(x1|x2) = 1
(2)||1/2 (22)1/2
exp
x1 1|22
21|2
.
Mostra-se, finalmente, que||1/2 (22)1/2 = (1122 212)1/2 (22)1/2 = 11 21222
,
portanto
f(x1|x2) = 1(2)
1|2
exp
x1 1|22
21|2
,
o que conclui a prova.
Exemplos:
i) Seja o vetor aleatorio X = (X1, X2, X3, X4), particionado por X1 = (X1, X2) e
X2 = (X3, X4), com distribuicao normal
X
N4
1
11
1
;
4 2 1 1
2 9 0 4
1 0 3 2
1 4 2 4
.
Encontrar a distribuicao de X1|X2 =
1
1
.
Temos que 22=
3 2
2 4
, logo 122 =
1/2 1/41/4 3/8
, assim
1|2= 11 + 1 10 4 1/2 1/41/4 3/8 11 11
52
-
7/22/2019 Teoria_Matrizes Apostila
53/53
Teoria de Matrizes para Estatstica
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 1/41/4 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
PortantoX1|X2=
1
1
N2 1.53.0
;
3.625 1.5
1.5 3.0
.
ii) Seja X=
X1
X2
N2
1
1
;
4 2
2 6
,
encontrar as distribuicoes de X1|X2= 2 e X2|X1 = 0.
a) 1|2= 1 +2
6(2 + 1) = 2,
11|2 = 4 22
6 =
10
3,
logo, X1|X2= 2 N[ 2 ; 10/3 ]b) 2|1= 1 +
2
4(0 1) =1
2,
22|1 = 6 22
4 = 5,
logo, X2|X1= 0 N[ 0.5 ; 5 ]