AULAMULTIVARIADA

NOTAS DE AULA DA DISCIPLINA CE076
Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto
Pgina 1

1. LGEBRA MATRICIAL

1.1. MATRIZ, VETOR, ESCALAR

Matriz: [ ]
n m
ij
mn m m
n
n
a
a a a
a a a
a a a
A
=
(
(
(
(
=
L
M M M M
L
L
2 1
2 22 21
1 12 11

Vetor:
(
(
(
(
=
n
v
v
v
v
M
2
1

Escalar: a, b, c, ...

1.2 MATRIZES ESPECIAIS

1.2.1. Matriz Nula: A =
n m ij
] a [

tal que a
ij
= 0 para i,j

Exemplo:

(
(
(
=
0 0 0
0 0 0
0 0 0
A

1.2.2. Matriz Diagonal: A =
n n ij
] a [

tal que a
ij
= 0 para todo i j.

Exemplo:

(
(
(
=
3 0 0
0 2 0
0 0 1
A


Pgina 2

1.2.3. Matriz Escalar: uma matriz diagonal A tal que a
ij
= k (escalar) para
todo i = j.

Exemplo:

(
(
(
=
4 0 0
0 4 0
0 0 4
A ,

1.2.4. Matriz Identidade: uma matriz escalar A tal que a
ij
= k = 1.

Exemplo:

(
(
(
=
1 0 0
0 1 0
0 0 1
A ,

1.2.5. Matriz Transposta: da matriz
n m ij
] [a A

= a matriz
m n ji
] [a A'

= .

Exemplo:

Transposta de
(
=
0 4 2
1 5 3
A

Propriedades da transposta:

(a) A )' (A' =

(b) kA' (kA)' = , k = escalar

(c) B' A' B)' (A + = +

(d) A' B' (AB)' =

1.2.6. Matriz Simtrica: uma matriz quadrada A tal que A. A' =

Exemplo:
(
(
(
=
6 5 - 3
5 - 4 2
3 2 1
A , pois: A. A' =


Pgina 3

1.3. OPERAES COM MATRIZES

1.3.1. Adio:
n m ij n m ij ij n m ij n m ij
] [c ] b [a ] [b ] [a B A C

= + = + = + =

Exemplo:

(
(
(
=
3 1
2 2
0 3
A e
(
(
(
=
0 2
4 3 -
1 - 4
B ,

Propriedades:

(a) A + B = B + A (comutativa)

(b) A + (B + C) = (A + B) + C (associativa)

(c) A + (-A) = 0 ( existncia do elemento oposto), sendo 0 = matriz nula

(d) A + 0 = A (existncia do elemento neutro), sendo 0 = matriz nula

1.3.2. Subtrao:
n m ij n m ij ij n m ij n m ij
] [c ] b [a ] [b ] [a B - A C

= = = =

Exemplo:

(
(
(
=
3 1
2 2
0 3
A e
(
(
(
=
0 2
4 3 -
1 - 4
B ,

1.3.3. Multiplicao de escalar por matriz:
n m ij n m ij n m ij
] c [ ] a . k [ ] a [ k A . k C

= = = =

Exemplo:

k = -3;
(
=
0 4 1
3 2 1
A ,
Propriedades da multiplicao de escalar por matriz

(a) k.A = A.k

(b) k(A+B) = k.A + k.B

(c) k(AB) = A(kB) = (AB)k


Pgina 4

1.3.4. Multiplicao entre matrizes: sejam as matrizes: A: mp e B: pn, ento

C =
(
(
(
(
(
(
(

= =
= = =
= = =
= = =

p
j , i
in mj
p
j , i
i mj
p
j , i
i mj
p
j , i
in j
p
j , i
i j
p
j , i
i j
p
j , i
in j
p
j , i
i j
p
j , i
i j
n p ij p m ij
b a b a b a
b a b a b a
b a b a b a
] b .[ ] a [ B . A
1 1
2
1
1
1
2
1
2 2
1
1 2
1
1
1
2 1
1
1 1
L
M L M M
L
L
=
n m ij
] c [

Exemplo:
(
(
(
=
3 2
1 0
3 2
A e
(
=
2 0 1
4 2 1
B

C = AB =
(
(
(
3 2
1 0
3 2
.
(
2 0 1
4 2 1
=

=
(
(
(
+ + +
+ + +
+ + +
2 3 4 2 0 3 2 2 1 3 1 2
2 1 4 0 0 1 2 0 1 1 1 0
2 3 4 2 0 3 2 2 1 3 1 2
) (
) ( ) ( ) ( ) (
) (
=
(
(
(
2 4 5
2 0 1
14 4 1

Propriedades da multiplicao de matrizes:

(a) A(B + C) = AB + AC (1 Lei Distributiva)

(b) (A + B)C = AC + BC (2 Lei Distributiva)

(c) A(BC) = (AB)C (Lei associativa)

(d) AB BA (Em geral no vale a Lei Comutativa)

(e) AB = 0 no implica necessariamente que A = 0 ou B = 0. Exemplo:

(
=
(
0 0
0 0
2 2
1 1
1 2
1 2

(f) AB = AC no implica necessariamente que B = C. Exemplo:

(
=
(
0 0
0 0
1 2
1 2
2 2
1 1
1 2
1 2

(g) AI = IA = A


Pgina 5

1.4 MATRIZ INVERSA

Sendo A e B matrizes de ordem n tais que AB = BA = I, ento B a inversa de A ou A
a inversa de B.

A tem inversa se no-singular ( det 0).

A quadrada.

A inversa nica.

Se A no-singular AB = AC B = C

A inversa pode ser determinada pela frmula: ) A ( adj
A det
A
1
1
=
, sendo
adj(A) a matriz adjunta da matriz A ( a matriz transposta da matriz dos
cofatores). A matriz dos cofatores obtida de A substituindo-se cada
elemento de A pelo respectivo cofator. Cada cofator calculado pela
frmula: ) A det( . ) ( ) a ( cof
ij
j i
ij
+
= 1 , sendo A
ij
a matriz resultante de A ao
eliminarmos a linha i e coluna j.

1.5. TRAO DE UMA MATRIZ

O trao tr de uma matriz quadrada A a soma dos elementos diagonais
(diagonal principal) da matriz A, ou seja,
=
=
j i
ij
a A .
Exemplo

(
(
(
=
3 4 1
2 2 0
0 3 1
A tr(A) = 1 + 2 + 3 = 6.

1.6. MATRIZ ORTOGONAL

Uma matriz quadrada A ortogonal se I A ' A ' AA = = , isto ,
1
A ' A

= .

Exemplo:

(
(
(
=
2 / 1 6 / 1 3 / 1
0 6 2 3 / 1
2 / 1 6 / 1 3 / 1
A


Pgina 6

1.7. VETORES LINEARMENTE DEPENDENTES (L.D.)

Os n vetores x
1
, x
2
, ... , x
n
, so L.D. se existirem n escalares k
1
, k
2
, ... , k
n
, no
todos nulos, tais que k
1
x
1
+

k
2
x
2
+ ... + k
n
x
n
= 0, caso contrrio so L.I.
(linearmente independentes).

Exemplos: Se x
1
= [3 1 -4], x
2
= [2 2 -3] e x
3
= [0 -4 1], verifique se:

(a) x
1
e x
2
so L.D.
(b) x
1 ,
x
2
e x
3
so L.D.

1.8. PRODUTO INTERNO DE VETORES

Considere os dois vetores reais n-dimensionais: x = [ ]' x x x
n 2 1
L e y =
[ ]' y y y
n 2 1
L , o produto interno entre esses vetores x y =
=
= + +
n
1 i
i i n n 2 2 1 1
y x y x y x y x L .
Exemplo: x =
(
(
(
1
3
2
e y =
(
(
(
2
0
3
x y = 23 + 30 + (-1)2 = 4

1.9. COMPRIMENTO OU NORMA DE UM VETOR

O comprimento ou norma do vetor x = [ ]' x x x
n 2 1
L definido por

2
n
2
2
2
1
x x x L + + = = x ' x x .

Exemplo:
(
(
(
=
1
3
2
x 14 ) 1 ( 3 2 x
2 2 2
= + + =

1.10. AUTOVALORES E AUTOVETORES

Dizemos que uma matriz quadrada A tem um autovalor com o correspondente
autovetor e 0 se A.e = .e .


Pgina 7

Propriedade 1 Uma matriz quadrada simtrica A: kk tem k pares de autovalores e
autovetores: (
1
, e
1
), (
2
, e
2
), ... , (
k
, e
k
). Os autovalores podem ser escolhidos de tal
forma que e
i
e
i =
1

(normalizados).

Propriedade 2 Seja A uma matriz quadrada kk e I a matriz identidade kk. Ento, os
escalares
1
,
2
, ... ,
k
, satisfazendo a equao 0 = I A (equao caracterstica)
so os autovalores de A.

Exemplo:

1) Determine os autovalores e autovetores normalizados da matriz
(
=
3 1
0 1
A .
2) Determine os autovalores e autovetores normalizados da matriz simtrica
(
=
3 2
2 1
B .

Exerccio: Determine os autovalores e autovetores normalizados da matriz

(
(
(
=
4 3 7
2 3 5
3 2 1
A .

1.11. FORMAS QUADRTICAS

Uma forma quadrtica Q(X) nas k variveis X
1
, X
2
, ... , X
k
definida por
Q(X) = ) X A X' ( , onde X = [X
1
, X
2
, ... , X
k
] e A uma matriz quadrada simtrica de
ordem kk. A forma quadrtica Q(X) pode ser escrita como

Q(X) =
k ik
k
i
k
j
j i ij
X X a X X a X a X X a
1 2 1 12
2
1 11
1 1
+ + + =
= =
L

k k
X X a X a X X a
2 2
2
2 22 1 2 21
+ + + + L

.........................................................

2
2 2 1 1 k kk k k k k
X a X X a X X a + + + + L

Exemplo: Desenvolva a forma quadrtica com X = [X
1
X
2
] e
(
=
2 1
1 1
A


Pgina 8

1.12. MATRIZ POSITIVA DEFINIDA

A matriz quadrada A positiva definida se XA X > 0, para qualquer X 0 .

Se XA X 0 a matriz A positiva semi-definida (ou no-negativa).

Se XA X < 0 a matriz A negativa definida.

1.13. TEOREMA DA DECOMPOSIO ESPECTRAL (OU
DECOMPOSIO DE JORDAN)

Qualquer matriz simtrica A: kk pode ser escrita como

k k k i i i
' e e ' e e ' e e ' e e ' P P A + + + = = = L
2 2 2 1 1 1

onde: uma matriz diagonal com os autovalores da matriz A, ou seja,

(
(
(
(
=
k
0 0 0
0 0 0
0 0 0
2
1
M O M M

P uma matriz ortogonal cujas colunas so os autovetores normalizados da
matriz A .

[ ]
(
(
(
(
= =
kk k k
k
k
k
e e e
e e e
e e e
e e e P
L
M O M M
L
L
L
2 1
2 22 12
1 21 11
2 1

Exemplo

Mostre que a matriz
(
=
2 2
2 3
A positiva definida. Deve-se mostrar
que XA X > 0, para qualquer X 0 .

Observao: Usando o Teorema da Decomposio Espectral pode-se mostrar que uma
matriz simtrica A: kk uma matriz positiva definida se e somente se todos os

Pgina 9

autovalores de A so positivos. Ela ser uma matriz no-negativa definida se e somente
se todos os autovalores de A so maiores ou iguais a zero.

1.14. MATRIZ RAIZ QUADRADA

A decomposio espectral permite expressar a inversa de uma matriz quadrada
em termos dos seus autovalores e autovetores e isto leva a uma matriz til: a
matriz raiz quadrada. A matriz = =
=
k
i
/ /
i i i
A ' P P ' e e
1
2 1 2 1
chamada matriz raiz
quadrada de A e denotada por A
1/2
.

Propriedades:

(1) ( )
2 1 2 1 / /
A ' A = (A
1/2
simtrica).

(2) A
1/2
A
1/2
= A

(3) ( ) =
=
=
k
' i
/
i i
i
/
' P P ' e e A
2 1
1
2 1
1
, onde
2 1/
uma matriz diagonal cujos elementos
so
i
1
.
(4) I A A A A
/ / / /
= =
2 1 2 1 2 1 2 1
e
1 2 1 2 1
= A A A
/ /
onde ( )
1
2 1 2 1

=
/ /
A A .

Exemplo:

Determine a matriz raiz quadrada de
(
=
2 1
1 4
A .

1.15. VETOR ALEATRIO

Um vetor aleatrio um vetor cujos elementos so variveis aleatrias.

Vetor aleatrio: X =
(
(
(
(
(
p
X
X
X
M
2
1
, sendo: X
1
, X
2
, ... , Xp variveis aleatrias.

1.15.1. ESPERANA DE UM VETOR ALEATRIO


Pgina 10

Seja X: p1 um vetor aleatrio. A esperana de X E(X) =
(
(
(
(
(
=
(
(
(
(
(
p
2
1
p
2
1
) E(X
) E(X
) E(X
M M
. No

vetor aleatrio cada elemento de X uma varivel aleatria com certa
distribuio de probabilidade marginal. As mdias marginais,
i
, e as varincias,
2
i
, so definidas como
i
= E(X
i
) e
2 2
) X ( E
i i i
= , i = 1, 2, ... , p,
respectivamente. Especificamente, temos que:

=
+

) (x p ade probabilid de funo com V.A.D. uma X se ) (x p x
) (x f fdp com V.A.C. uma X se )dx (x f x
i i i i i i
i i i i i i i
i

=
+

) (x p ade probabilid de funo com V.A.D. uma X se ) (x p ) - (x
) (x f fdp com V.A.C. uma X se )dx (x f ) - (x
i i i i i
2
i i
i i i i i i
2
i i 2
i

Exemplo

Suponha X =
(
2
1
X
X
, sendo X
1
e X
2
variveis aleatrias discretas com funo de
probabilidade

x
1
-1 0 1
p(x
1
) 0,3 0,3 0,4

e

x
2
0 1
p(x
2
) 0,8 0,2

Determine E(X).

1.15.2. MATRIZ DE COVARINCIA DE UM VETOR ALEATRIO

Dado o vetor aleatrio X: p1, tem-se que a matriz de covarincia do vetor
= V(X) =

E[X E(X)]
2
= E[X - ]
2
= E[(X - )(X- )]


Pgina 11

= [ ]

(
(
(
(
(
p p 2 2 1 1
p p
2 2
1 1
X X X
X
X
X
E L
M

(
(
(
(
(

=
2
p p 2 2 p p 1 1 p p
p p 2 2
2
2 2 1 1 2 2
p p 1 1 2 2 1 1
2
1 1
) (X ) )(X (X ) )(X (X
) )(X (X ) (X ) )(X (X
) )(X (X ) )(X (X ) (X
E
L
M M M M
L
L

=
(
(
(
(
(

2
p p 2 2 p p 1 1 p p
p p 2 2
2
2 2 1 1 2 2
p p 1 1 2 2 1 1
2
1 1
) E(X ) )(X E(X ) )(X E(X
) )(X E(X ) E(X ) )(X E(X
) )(X E(X ) )(X E(X ) E(X
L
M M M M
L
L

(
(
(
(
(

=
2
2 1
2
2
2 21
1 12
2
1
p p p
p
p
L
M M M M
L
L

onde
ik
a covarincia entre as variveis X
i
e X
k
e

= =

+

+

) X , (X p conjunta ade probabilid de
funo com V.A.D. so X , X se ) X , (X )p )(X (X
) X , (X f conjunta fdp com
V.A.C. so X , X se dX )dX X , (X )f )(X (X
)] )(X E[(X
k i ik
k i k i ik k k i i
k i ik
k i k i k i ik k k i i
k k i i ik

e
i
e
k
(i, k = 1, 2, ... , k) so as mdias marginais. Quando i = k, as
covarincias tornam-se as varincias marginais.

Exemplo:

1) Determine a matriz de covarincia para as duas variveis aleatrias X
1
e X
2

introduzidas no exemplo anterior sendo sua funo de probabilidade conjunta p
12

(x
1
, x
2
) dada a seguir:


Pgina 12

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

2) Determine a matriz de covarincia para as variveis aleatrias X
1
e X
2
,
sabendo-se que
6
1
1
x
) X ( f = , 2 x
1
4 e
2
1
2
= ) X ( f , 1 x
2
3.

1.15.3. MATRIZ DE CORRELAO DE UM VETOR ALEATRIO

Seja um vetor aleatrio X: pp e a correspondente matriz de covarincia,
ento a matriz de correlao ser

=
(
(
(
(
(
=
pp p2 p1
2p 22 21
1p 12 11

L
M O M M
L
L

(
(
(
(
(
1
1
1
p2 p1
2p 21
1p 12
L
M O M M
L
L

onde
k i
ik
2
k
2
i
ik
ik

= = (mede o grau de associao linear entre as

variveis X
i
e X
k
)

i
= desvio padro da i-sima varivel e
k
= desvio padro da k-sima
varivel.

Exemplo

Seja a matriz de covarincia
(
(
(
=
25 3 2
3 9 1
2 1 4
, determine a matriz de correlao
.

1.15.4. VETOR ESPERANA E MATRIZ COVARINCIA DE UMA
COMBINAO LINEAR DE VARIVEIS ALEATRIAS

Para uma varivel aleatria unidimensional X
1
, sabemos que:

Pgina 13

E(c.X
1
) = c.E(X
1
) = c.
1
(c = constante) e V(c.X
1
) = E(c.X
1
c.
1
)
2
= c
2
.V(X
1
) =
c
2
.
1
2

Se X
2
uma segunda varivel aleatria e a e b so constantes:
Cov(a.X
1
, b.X
2
) = E[(a.X
1
- a.
1
)(b.X
2
b.
2
)] = ab E[(X
1
- .
1
)(X
2

2
)] =
ab.cov(X
1
,X
2
) =ab
12

Para uma combinao linear aX
1
+ bX
2
, temos:
E(aX
1
+ bX
2
) = aE(X
1
) + bE(X
2
) = a
1
+ b
2

e
V(aX
1
+ bX
2
) = E[(aX
1
+ bX
2
) (a
1
+ b
2
)]
2
= E[a(X
1
-

1
) + b(X
2
-
2
)]
2

= E[a
2
(X
1
-
1
)
2
+ b
2
(X
2
-
2
)
2
+ 2ab(X
1
-
1
)(X
2
-
2
)]
= a
2
E(X
1
-
1
)
2
+ b
2
E(X
2
-
2
)
2
+ 2ab cov(X
1
, X
2
)
= a
2
V(X
1
) + b
2
V(X
2
) + 2ab cov(X
1
, X
2
)
= a
2

1
2
+ b
2

2
2
+ 2ab
12

Em notao matricial: com c = [a, b], aX
1
+ bX
2
pode ser escrito como
[ ] =
(
2
1

X
X
b a cX

Analogamente, E(aX
1
+ bX
2
) = a
1
+ b
2
pode ser expresso como
[ ] =
(
2
1
b a c

Sendo
(

=
2
2 21
12
2
1
a matriz covarincia de X, ento V(aX
1
+ bX
2
) = V(cX) =
cc

Pgina 14

com cc =[ ]
2
2
2
12
2
1
2
2
2 21
12
2
1
2 + + =
(

b ab a
b
a
b a .

Os resultados anteriores podem ser generalizados para uma combinao linear de p
variveis aleatrias.

A combinao linear cX = c
1
X
1
+ c
2
X
2
+ ... + c
p
X
p
tem
mdia: E(cX) = c e varincia: V(cX) = cc, onde: = E(X) e = cov
(X)

Considerando q combinaes lineares de p variveis aleatrias X
1
, X
2
, ... , X
p
,

Z
1
= c
11
X
1
+ c
12
X
2
+ ... + c
1p
X
p
Z
2
=c
21
X
2
+ c
22
X
2
+ ... + c
2p
X
p

..................................................
Z
q
= c
q1
X
1
+ c
q2
X
2
+ ... + c
qp
X
p
Ou
Z = =
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
p qp q q
p
p
q
X
X
X
c c c
c c c
c c c
Z
Z
Z
M
L
M M M M
L
L
M
2
1
2 1
2 22 21
1 12 11
2
1
CX

As combinaes lineares Z = CX tm

* mdia:
Z
= E(Z) = E(CX) = C
X

* covarincia:

Z
= cov(Z) = cov(CX) = C
X
C


Pgina 15

onde
X
e
X
so vetor mdia e matriz covarincia de X.
Exemplo
Seja X =
(
2
1
X
X
um vetor aleatrio com mdia
X
=
(
2
1
e matriz covarincia
(

=
2
2 21
12
2
1
X
. Encontre a matriz covarincia para as combinaes lineares: Z
1
= X
1

X
2
e Z
2
= X
1
+ X
2
.

1.16. MAXIMIZAO DE FORMA QUADRTICA
O problema consiste em maximizar uma forma quadrtica XBX, onde B uma
matriz positiva definida. Portanto, seja B: pp uma matriz positiva definida com
autovalores
1

2
...
p
> 0 e autovetores normalizados associados e
1
, e
2
,
... , e
p
. Ento
1
0
=
X ' X
X B ' X
max
X
satisfeito quando X = e
1

p
X
X ' X
X B ' X
min =
0
p

alm disso,
1
1
+
=
k
e ,..., e X
X ' X
X B ' X
max
k
k+1
, k = 1, 2, ... , p 1.

1.17. MATRIZ DESVIO PADRO
Dada a matriz de covarincia do vetor aleatrio X, definimos matriz a desvio
padro por
(
(
(
(
(
=
p
/
V
0 0 0
0 0 0
0 0 0
2
1
2 1
M O M M


Pgina 16

Resultado importante: Seja o vetor aleatrio X com matriz de correlao de ordem pp,
, e matriz desvio padro V
1/2
, se ordem pp, ento a matriz de covarincia de X =
V
1/2
V
1/2
.
Exemplo:
Seja a matriz de covarincia
(
(
(
=
25 3 2
3 9 1
2 1 4
. Determine a matriz desvio padro
V
1/2
.
Qual a matriz de correlao?

1.18. A GEOMETRIA DA AMOSTRA MULTIVARIADA
Uma observao multivariada simples uma coleo de medidas sobre p
variveis diferentes tomadas do mesmo item ou ensaios (prova, experincia). Se n
observaes foram obtidas, os dados podem ser arranjados em uma matriz X de
ordem np como

X
1
X
2
... X
j
... X
p

(
(
(
(
(
=
np nj n n
p j
p j
x x x x
x x x x
x x x x
X
L L
M M M M M M
L L
L L
2 1
2 2 22 21
1 1 12 11

onde cada linha de X representa uma observao multivariada. Essa matriz X
(matriz de dados), representa uma amostra de tamanho n proveniente de uma
populao p-variada. A amostra ento consiste de n medidas, cada uma tendo p
componentes.

Exemplo:

Calcule o vetor de mdias para os dados da matriz X. Plotar os n=3 pontos dados em
um espao p=2 e localizar o vetor de mdias no diagrama resultante.
Obs. 1
Obs. 2
Obs. n

Pgina 17

(
(
(
=
5 3
3 1
1 4
X

1.18.1. VETOR MDIO AMOSTRAL
Da matriz de dados X temos o vetor mdio amostral x que estima o vetor mdio
populacional , onde

) x x x (
n
x
x
x
x
n
x
n
p
n
i
i
+ + + =
(
(
(
(
(
= =
=
L
M
2 1
2
1
1
1 1

Exemplo:
Seja a amostra de dados construda com as observaes relativas a 5 estudantes. As
caractersticas observadas foram: idade, sexo e nota em uma prova.

Observao X
1
(Idade) X
2
(Nota) X
3
(Sexo)
1 18,45 70 1
2 18,41 65 0
3 18,39 71 0
4 18,70 72 0
5 18,34 94 1
Determine o vetor mdio amostral que estima o verdadeiro vetor mdio (populacional).

1.18.2. MATRIZ DE COVARINCIA AMOSTRAL
Da matriz de dados X obtemos a matriz de covarincia amostral
que estima a
verdadeira matriz covarincia populacional .
=
=
n
1 i
i i
)' x x )( x x (
n
1


Pgina 18

O estimador
viciado, ele o EMV de . A matriz de covarincia com

estimativas no-viciadas dada por
=

=
1 n
n
)' x x )( x x (
1 n
1
S
n
1 i
i i

1.18.3. MATRIZ DE CORRELAO AMOSTRAL
Seja
(
(
(
(
(
=
p
2
1
2 / 1
s 0 0 0
0 0 s 0
0 0 0 s
D
M O M M
a matriz desvio padro que estima a verdadeira
matriz
desvio padro V
1/2
, e seja
um estimador da matriz , ento a matriz de

correlao amostral que estima a matriz de correlao populacional dada
por

1/2 1/2
D
D

=
Exemplo:
Estime a matriz de covarincia e a matriz de correlao para os dados da
matriz anterior.

1.19. VARINCIA GENERALIZADA
Com uma simples varivel, a varincia amostral freqentemente usada para
descrever a variao nas medidas daquela varivel. Quando p variveis so
observadas para cada item, a variao descrita pela matriz varincia-covarincia
amostral.

(
(
(
(
(
=
pp 2 p 1 p
p 2 22 21
p 1 12 11
s s s
s s s
s s s
S
L
M M M M
L
L
, onde:
=
n
1 j
k kj i ij ik
) x x )( x x (
1 n
1
s
A matriz covarincia amostral contm p varincias e (1/2)p(p-1) covarincias.
Muitas vezes desejvel assumir um valor numrico nico para expressar a
variao dada por S. Uma escolha para esse valor nico o detrminante de S, o

Pgina 19

qual se reduz varincia amostral quando p=1. Esse determinante chamado
varincia amostral generalizada:
VAR. AMOSTRAL GENER. = | S |

Exemplo:
Considere o capital total (x
1
) e os rendimentos de seguros (x
2
) para 25 grandes
seguradoras dos EUA. A matriz de covarincias S, obtida dos dados em 22/5/1978
(Fortune)
(
=
15538 14213
14213 14808
S . Determine a varincia generalizada.

Para a matriz de correlao R:

VAR. GENER. AMOSTRAL DE VARIVEIS PADRONIZADAS = |R|
Demonstra-se que:
|S| = (s
11
.s
22
. ... .s
pp
) . |R|
Exemplo:
Sendo
(
(
(
=
1 2 1
2 9 3
1 3 4
S e
(
(
(
=
1 3 / 2 2 / 1
3 / 2 1 2 / 1
2 / 1 2 / 1 1
R , determine as varincias
generalizadas.

Outra generalizao da varincia:
Define-se a varincia total amostral como a soma dos elementos diagonais da
matriz covarincia amostral S. Assim,

VAR. TOTAL AMOSTRAL = s
11
+ s
22
+ ... + S
PP
Exemplo:
Determine a varincia total amostral para o ltimo exemplo.

Pgina 20

2 DISTRIBUIO NORMAL MULTIVARIADA

2.1. DENSIDADE NORMAL MULTIVARIADA E SUAS
PROPRIEDADES

A densidade normal multivariada uma generalizao da densidade normal
univariada para p 2 dimenses. Recordando, a distribuio normal univariada, com
mdia e varincia
2
, tem fdp

2
2
2
) (x
e
2
1
(x)
X
f
= , x R, R e R
+

A fdp conjunta de p variveis independentes normais X
1
, X
2
, ... , X
p
assim

( ) (
(
(
|
|
\
|
=
p
1 i
2
i
i
x
2
1
exp
p
...
2
p/2
2
1
)
p
x ,...,
2
x ,
1
f(x

Se fizermos ]
p
x , ... ,
2
x ,
1
[x =
'
x , ]
p
, ... ,
2
,
1
[ =
'
e

(
(
(
(
(
(
=
2
p
0 0
0 0 0
0
2
2
0
0 0
2
1
L
M
L
L
a densidade conjunta pode ser escrita como

( )
(
= ) (
1
)' (
2
1
exp
1/2
p/2
2
1
) f( x x x

onde: - < x
i
< , i = 1, 2, ... , p

A fdp normal p-dimensional geral obtida substituindo por qualquer matriz
pp simtrica positiva definida.

Ento f(x) > 0 para todo x finito, e

Pgina 21

=1
p
dx
1
)dx f( L L x

No caso geral, o ij-simo elemento
ij
de a covarincia das i-sima e j-sima
componente de x.

Notao: ) , (
p
N ~ X .

Para p = 2 (distribuio normal bivariada), temos que

(
(
=
2
1
e
(
(
(

=
2
2 21
12
2
1

como
2 1
12

=
2 1 21 12
= = , ento
(
(
(

=
2
2 2 1
2 1
2
1

e a fdp conjunta fica, aps as substituies e simplificaes, como
(
(
(
|
|
|
\
|
|
|
|
\
|
|
|
|
\
|
|
|
\
|
+

=
2
2
2 2
2
2 2
1
1 1
2
2
1
1 1
)
2
1 ( 2
1
exp
2
1
2 1
2
1
)
2
,
1
(

x x x x
x x f

A fdp normal bivariada padronizada pode ser obtida fazendo-se

1
1 1
x
1
z

= e
2
2
x
2
z

= , resultando


Pgina 22

(
(
\
|
+
=
2
2
z
2
z
1
.z 2.
2
1
z
)
2
2(1
1
exp
2
1 2
1
)
2
z ,
1
g(z ,
-< z
1
< ,-<z
2
<
Exemplo: Com uso do Matlab, representar graficamente a distribuio normal
bivariada com
(
(
=
8
5
e
(
(
=
4 0
0 1
.

Como
1
= 5,
2
= 8,
1
= 1 e
2
= 2

( )
|
|
|
\
|

=
2
1 i
2
i
i i
x
2
1
exp
2 1
.
p/2
2
1
)
2
x ,
1
x ( f

( )
(
(
(
(
|
|
|
\
|
|
|
|
\
|

=
2
2
2 2
x
2
1
1 1
x
2
1
exp
2 1
.
p/2
2
1

( )
)
(
(
(
|
|
\
|
|
|
\
|
+
=
2
2
8
2
x
2
1
5
1
x
2
1
exp
.1.2
2/2
2
1

(
(
(
|
|
\
|
|
|
\
|
+
=
2
2
8
2
x
2
1
5
1
x
2
1
exp
4
1


Pgina 23

PROPRIEDADES:

(1) Sendo ) , (
p
N ~ X , as combinaes lineares das componentes de X so
normalmente distribudas.

(2) Sendo ) , (
p
N ~ X , todo subconjunto das componentes de X tem uma
distribuio normal (multivariada).

(3) A covarincia nula para ) , (
p
N ~ X , implica que as correspondentes
componentes so independentemente distribudas.

(4) As distribuies condicionais das componentes de ) , (
p
N ~ X so normais
(multivariadas).

RESULTADO IMPORTANTE: Seja ) , (
p
N ~ X com || > 0. Ento:
(a) ( )
2
p
~ ) (
1
'
X X

(b) ( ) 1 ) (
2
p
) (
1
'
: P =
X X X

2.2. AVALIANDO A NORMALIDADE BIVARIADA

Considerando que para uma normal bivariada p =2, ento

( ) 0.5 0.5 - 1 1 (0.5)
2
2
) (
1
'
: P = = =
X X X

Assim, devemos esperar a mesma %, ou seja 50%, de observaes amostrais tais que
( ) ) 5 . 0 (
2
2
) (
1
S
'

X X X X

onde substitumos pela estimativa X e
-1
pela estimativa S
-1
. Caso contrrio, a
hiptese de normalidade suspeita.

Exemplo: As 10 maiores corporaes industriais dos E.U.A. forneceram os seguintes
dados (Fortune-1978)

COMPANHIA X
1
= Recursos (milhes de
dlares)
X
2
= Renda Lquida (milhes
de dlares)
GM 26.7 3.3
EXXON 38.4 2.4
FORD 19.2 1.7
MOBIL 20.6 1.0
TEXACO 18.9 0.9

Pgina 24

STD. OIL 14.8 1.0
IBM 19.0 2.7
GULF 14.2 0.8
GE 13.7 1.1
CHYSLER 7.7 0.2

Avaliar a normalidade da distribuio bivariada com X = [X
1
X
2
].

Soluo: Calculando, obtemos:

(
(
(
(
= =
1.51
19.32
2
X
1
X
X ,
(
(
=
0.97 5.87
5.87 70.41
S e
(
(
2.080 0.173
0.173 0.029
1
S

que substituindo em ( ) ) 5 . 0 (
2
2
) (
1
S
'

X X X X , resulta

1.39
1.51
2
X
19.32
1
X
2.080 1,73
1.73 0.029
'
1.51
2
X
19.32
1
X
(
(
(
(
(
(

Para a primeira observao:
(
(
3.3
26.7
obtemos

.39 1 67 . 3
1.51 3 . 3
19.32 7 . 26
2.080 1,73
1.73 0.029
'
1.51 3 . 3
19.32 7 . 26
> =
(
(
(
(
(
(
, ou seja, este ponto

est fora do contorno de 50%.
Calculando para as demais observaes, obtemos os demais valores, ou seja,
resumindo esses valores so:

3.67 6.32 0.07 0.81 0.69 0.34 3.08 0.55 0.47 e 2.21

Verifica-se que 6 desses valores so menores que 1.39, ou seja, uma proporo de 0.60
(60%). Se essas observaes so normalmente distribudas, devemos esperar cerca de
n/2 ou 5 observaes no interior do contorno. Dado que a amostra muito pequena, n =
10, devemos concluir que essa evidncia no suficiente para rejeitar a noo de
normal bivariada.

2.3. AVALIANDO A NORMALIDADE DE UMA DISTRIBUIO (p 2)

Um mtodo mais formal para julgar a normalidade conjunta de dados
multivariados baseado no quadrado da distncia generalizada


Pgina 25

( ) )
j
(
1
S
'
j
2
j
d X X X X
= , j = 1, 2, ... , n

X
1
, X
2
, ... , X
n
so observaes amostrais.

Quando a populao de onde a amostra foi retirada normal multivariada e
ambos n e n p so maiores que 25, cada uma das distncias
2
n
d ,...,
2
2
d ,
2
1
d comporta-
se como uma varivel aleatria tipo qui-quadrado (
2
).
O mtodo consiste nos seguintes passos:

(1) Ordenar as distncias em ordem crescente.
(2) Representar graficamente os pares
(
(
(
(
|
|
|
|
\
|

n
j
p
j
d
2
1
2
,
2
, obtendo-se
2
p
na

Tabela da Distribuio de Qui-quadrado, com p graus de liberdade. O resultado do
grfico deve ser uma linha reta aproximada. Uma curva sistemtica sugere a falta de
normalidade.

Para o exemplo anterior:

j 2
j
d
|
|
\
|
n
5 . 0 j
2
2

1 0.07
10 . 0 ) 05 . 0 (
2
2
=
2 0.34
33 . 0 ) 15 . 0 (
2
2
=
3 0.47
58 . 0 ) 25 . 0 (
2
2
=
4 0.55
86 . 0 ) 35 . 0 (
2
2
=
5 0.69
20 . 1 ) 45 . 0 (
2
2
=
6 0.81
60 . 1 ) 55 . 0 (
2
2
=
7 2.21
10 . 2 ) 65 . 0 (
2
2
=
8 3.08
77 . 2 ) 75 . 0 (
2
2
=
9 3.67
79 . 3 ) 85 . 0 (
2
2
=
10 6.32
99 . 5 ) 95 . 0 (
2
2
=

4
5
6

Pgina 26

Existe alguma evidncia de um desvio sistemtico da reta. Porm, a evidncia
contra a normalidade no to grande, em virtude do tamanho da amostra, sendo
razovel analisar esses dados como se fossem normais.


Pgina 27

3. INFERNCIA SOBRE O VETOR DE MDIAS

3.1. TESTE PARA UM VETOR DE MDIAS

Lembrando o caso univariado:

H
0
: =
0

H
1
:
0

Nvel de significncia:

Estatstica do teste:
1 n
t ~
n s/
0
X
t
=

Deciso: se |t| > t
n-1
(/2) rejeita-se H
0
, caso contrrio, H
0
no deve ser rejeitada.

CASO MULTIVARIADO:

Rejeitar H
0
quando |t| > t
n-1
equivalente a rejeitar H
0
quando

( )
( )
( ) /2
2
1 n
t )
0
X (
1
)
2
)(s
0
X n(
2
s
2
)
0
X n(
n s/
0
X
2
t
2
2
>
=

onde:
1 n 1,
F
2
1 n
t

Generalizando:
) (
1
S
'
) n(
2
T
0
X
0
X
=

onde:
=
=
n
1 i
i
X
n
1
X ,
=
n
1 i
)' )( (
1 n
1
S X
i
X X
i
X ,

]
p,0
...
2,0

1,0
[ =
'
0
, T
2
= conhecido como T
2
de Hotelling

Demonstra-se que:

p n , p
F ~
p ) 1 n (
) p n (
2
T
ou
p n , p
F
p n
p ) 1 n (
~
2
T

O teste fica:

Pgina 28

H
0
: =
0

H
1
:
0


Rejeitar H
0
se:

) (
p n , p
F
p - n
1)p - (n
) (
1
S
'
) n(
2
T
>
=
0
X
0
X

Exemplo: Seja a amostra aleatria de tamanho n = 3 de uma distribuio

normal bivariada:
(
(
(
=
3 8
6 10
9 6
X .

(a) Calcule a estatstica T
2
de Hotelling, considerando o valor hipottico de como
sendo [ ] 5 9 =
'
0
.
(b) Calcule o valor de ) (
p n , p
F
p - n
1)p - (n
2
T
= .
(c) Voc rejeitaria a hiptese de que =
0
ao nvel de significncia de 5%?

CASO DE GRANDES AMOSTRAS: Quando n p grande, a hiptese

H
0
: =
0
rejeitada a favor de H
1
:
0
, ao nvel de significncia

, quando ) (
2
p
) (
1
S
'
) n( >
0
X
0
X
3.1 COMPARAO ENTRE VETORES MDIOS DE 2 POPULAES

Populao 1

Amostra 1

X
1
~ N
p
(
1
,
1
)
Tam: n
1
Md:
Cov.: S
1


Pgina 29

Populao 2
Amostra 2

Sendo X
1
independente de X
2
:

1 CASO: Quando
1
=
2
= ( )

1
X estima
1
,
2
X estima
2
e

2
2
n
1
n
2
1)S
2
(n
1
1)S
1
(n
S
+
+
= estima

Demonstra-se que:
(
(
|
|
\
|
+
2
n
1
1
n
1
,
2
p
N ~
2
X
1
X

TESTE:

H
0
:
1
-
2
=
0

H
1
:
1
-
2

0



( ) ( ) [ ] ( ) ( ) [ ]
2
2
X
1
X
1
p
S
2
n
1
1
n
1 '
2
2
X
1
X
2
T
+ =
(
(
|
|
\
|

onde:
1 p
2
n
1
n , p
F ~
2)p -
2
n
1
(n
1) - p -
2
n
1
(n
2
T
+
+
+

Portanto, se

X
2
~N
p
(
2,

2
)
Tam: n
2

Md:
Cov.: S
2


Pgina 30

) (
1 p
2
n
1
n , p
F
2)p -
2
n
1
(n
1) - p -
2
n
1
(n
2
T
+
>
+
+

rejeita-se H
0
.

Exemplo: 50 barras de sabo so feitos de 2 maneiras, sendo medidas duas
caractersticas: X
1
= espuma e X
2
= brancura. As estatsticas para as barras produzidas
pelos Mtodos 1 e 2 so dadas:

(
(
(
(
= =
4,1
8,3
brancura
espuma
1
X ,
(
(
(
(
= =
3,9
10,2
brancura
espuma
2
X

(
(
=
6 1
1 2
1
S ,
(
(
=
4 1
1 2
2
S .

Assuma que: ) , N( ~
1
1
X e ) , N( ~
2
2
X . Teste a hiptese de que os 2
processos de fabricao produzem os mesmos resultados, ou seja, na mdia eles no so
diferentes.
2 CASO: Quando
1

2
(grandes amostras)

Quando
1

2
, ficamos impossibilitados de encontrar uma medida semelhante ao
T
2
.

Sejam as amostras de tamanhos n
1
e n
2
tais que n
1
- p e n
2
- p sejam grandes.

Regra de deciso e estatstica do teste: Rejeitar H
0
se

( ) ( ) [ ] ( ) ( ) [ ] ) (
2
p
'
2
S
2
n
1
1
S
1
n
1 '
> +
|
|
|
\
|
2
2
X
1
X
2
2
X
1
X

3.2 COMPARAO ENTRE VETORES MDIOS DE VRIAS
POPULAES (g 2) MANOVA

Objetivos:

(1) Investigar se as populaes tm o mesmo vetor mdio.

(2) Se no tem, identificar quais componentes diferem significativamente.


Pgina 31

Suposies:

(1) Independncia (as amostras aleatrias so independentes)

(2) Homocedasticidade (todas as populaes tm mesma matriz covarincia )

(3) Todas as populaes so normalmente distribudas.

Populao 1

Amostra 1

Populao 2
Amostra 2

M M

Populao g
Amostra g

X
1
~ N
p
(
1
,
1
)
X
2
~N
p
(
2,

2
)
Tam: n
1
Md:
Cov.: S
1

Tam: n
2

Md:
Cov.: S
2

X
g
~N
p
(
g,

g
)
Tam: n
g
Md:
Cov.: S
g


Pgina 32

TESTE:

H
0
:
1
=
2
= ... =
g

H
1
: pelo menos uma das mdias
i
(i = 1, 2, ... , g) diferente das demais.



| W B |
| W |
*
+
=

onde
*
= Lmbda de Wilks (equivale ao teste F na ANOVA).

FV Matriz das somas dos quadrados e produtos cruzados

Tratamentos
=
=
g
1 i
)' )( (
i
n B x
i
x x
i
x

Residual
=

=
=
g
1 i
i
n
1 j
)' )( ( W
i
x
ij
x
i
x
ij
x

Total

B+W

Onde: x
ij
= j-sima observao da i-sima amostra (ou i-simo tratamento)

i
x = mdia da i-sima amostra (ou i-simo tratamento)

x = mdia global (todas as amostras)

Distribuio de
*
:

p g Distribuies amostrais

Pgina 33

p =1

g > 2
g n 1, g
F ~
*
*
1
1 g
g
1 i
g
i
n

=

|
|
\
|
|
|
|
|
|
\
|

p = 2

g 2
1) - g 1),2(n 2(g
F ~
*
*
1
1 g
g
1 i
1 - g
i
n

=

|
|
|
\
|
|
|
|
|
|
\
|

p 1

g = 2
1 p n p,
F ~
*
*
1
p
g
1 i
1 p
i
n

=

|
|
\
|
|
|
|
|
|
\
|

p 1

g = 3
) 2 p 2p,2(n
F ~
*
*
1
p
g
1 i
2 p
i
n

=

|
|
|
\
|
|
|
|
|
|
\
|

Onde: n
i
(i = 1, 2, ... , g),
=
=
g
1 i
i
n n

Para outros casos (ou grandes amostras): Bartlett mostrou que se
=
=
g
1 i
i
n n
grande, ento:

2
1) p(g
~
| W B |
| W |
.ln
2
g p
1 n
*
.ln
2
g p
1 n
+
+
=
+

|
|
\
|
|
\
|
|
\
|

Exemplo: Considere as seguintes amostras independentes, respectivamente, das
populaes: 1, 2 e 3, que podem ser consideradas como normais multivariadas com
mesma matriz de covarincia .

P
1
P
2
P
3

(
3
9

(
4
0

(
8
3


Pgina 34

(
2
6

(
0
2

(
9
1

(
7
9

(
7
2

Construa a tabela da MANOVA, calcule o
*
de Wilks e teste a hiptese de igualdade
das mdias.

I.C. PARA OS EFEITOS DOS TRATAMENTOS:

Quando a hiptese H
0
rejeitada, podemos
identificar qual ou quais tratamentos diferem significativamente dos demais.

Seja
=
=
g
1 i
i
n n . Para o modelo de MANOVA visto, com confiana de no
mnimo ( 1- ),
kj
-
lj
pertence ao intervalo

|
|
\
|
(

l
n
1
k
n
1
g n
ij
w
) 1 g ( pg
g n
t
j
l
x
j
k
x

para todas as componentes j = 1, 2, ... , p e todas as diferenas l < k = 1, 2, ... , g. Aqui
w
jj
o j-simo elemento diagonal de W.

Exemplo: Aplicar para o exemplo anterior.

(
=
(
=
4
8
x
x
x
12
11
1
,
(
=
(
=
2
1
x
x
x
22
21
2
,
(
=
(
=
8
2
x
x
x
32
31
3
, n
1
= 3, n
2
= 2, n
3
= 3, n = 8

k = grupo, j = componente, g = nmero de grupos, p = nmero de variveis

k

n
k

j

kj
x

l

n
l

j

lj
x

( )
|
|
\
|
+
|
|
\
|

l k
jj
g n lj kj
n
1
n
1
g n
w
1 g pg
t x x
) (

2

2

1

1

1

3

1

8
( )
) , ; , (
,
5529 1 4471 12
3
1
2
1
3 8
10
2193 4 8 1
=
|
\
|
+


Pgina 35

2

2

2

2

1

3

2

4
( )
) , ; , (
,
4386 6 4386 10
3
1
2
1
3 8
24
2193 4 4 2
=
|
\
|
+

3

3

1

2

1

3

1

8
( )
) , ; , (
,
1280 1 8720 10
3
1
3
1
3 8
10
2193 4 8 2
=
|
\
|
+

3

3

2

8

1

3

2

4
( )
) , ; , (
,
5479 11 5479 3
3
1
3
1
3 8
24
2193 4 4 8
=
|
\
|
+

3

3

1

2

2

2

1

1
( )
) 4471 , 6 ; 4471 , 4 (
2
1
3
1
3 8
10
2193 , 4 1 2
=
|
\
|
+

3

3

2

8

2

2

2

2
( )
) 4386 , 14 ; 4386 , 2 (
2
1
3
1
3 8
24
2193 , 4 2 8
=
|
\
|
+

Interpretao:


Pgina 36

AULAMULTIVARIADA

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

AULAMULTIVARIADA

Încărcat de

Drepturi de autor:

Formate disponibile

NOTAS DE AULA DA DISCIPLINA CE076

= = (mede o grau de associao linear entre as

viciado, ele o EMV de . A matriz de covarincia com

um estimador da matriz , ento a matriz de

, ou seja, este ponto

S-ar putea să vă placă și