Baixe o app para aproveitar ainda mais
Prévia do material em texto
NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 1 1. ÁLGEBRA MATRICIAL 1.1. MATRIZ, VETOR, ESCALAR Matriz: [ ] nmij mnmm n n a aaa aaa aaa A × = = L MMMM L L 21 22221 11211 Vetor: = nv v v v M 2 1 Escalar: a, b, c, ... 1.2 MATRIZES ESPECIAIS 1.2.1. Matriz Nula: A = nmij ]a[ × tal que aij = 0 para ∀ i,j Exemplo: = 000 000 000 A 1.2.2. Matriz Diagonal: A = nnij ]a[ × tal que aij = 0 para todo i ≠ j. Exemplo: − = 300 020 001 A 1.2.3. Matriz Escalar: é uma matriz diagonal A tal que aij = k (escalar) para todo i = j. NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 2 Exemplo: = 400 040 004 A , 1.2.4. Matriz Identidade: é uma matriz escalar A tal que aij = k = 1. Exemplo: = 100 010 001 A , 1.2.5. Matriz Transposta: da matriz nmij ][aA ×= é a matriz mnji ][aA' ×= . Exemplo: Transposta de − = 042 153 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 Simétrica: é uma matriz quadrada A tal que A.A'= Exemplo: = 65-3 5-42 321 A , pois: A.A'= NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 3 1.3. OPERAÇÕES COM MATRIZES 1.3.1. Adição: nmijnmijijnmijnmij ][c]b[a][b][aBAC ×××× =+=+=+= Exemplo: −= 31 22 03 A e = 02 43- 1-4 B , Propriedades: (a) A + B = B + A (comutativa) (b) A + (B + C) = (A + B) + C (associativa) (c) A + (-A) = 0 ( existência do elemento oposto), sendo 0 = matriz nula (d) A + 0 = A (existência do elemento neutro), sendo 0 = matriz nula 1.3.2. Subtração: nmijnmijijnmijnmij ][c]b[a][b][aB-AC ×××× =−=−== Exemplo: −= 31 22 03 A e = 02 43- 1-4 B , 1.3.3. Multiplicação de escalar por matriz: nmijnmijnmij ]c[]a.k[]a[kA.kC ××× ==== Exemplo: k = -3; − = 041 321 A , Propriedades da multiplicação de escalar por matriz (a) k.A = A.k (b) k(A+B) = k.A + k.B (c) k(AB) = A(kB) = (AB)k NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 4 1.3.4. Multiplicação entre matrizes: sejam as matrizes: A: m×p e B: p×n, então C = ∑∑∑ ∑∑∑ ∑∑∑ == === === === ×× p j,i inmj p j,i imj p j,i imj p j,i inj p j,i ij p j,i ij p j,i inj p j,i ij p j,i ij npijpmij bababa bababa bababa ]b.[]a[B.A 11 2 1 1 1 2 1 22 1 12 1 1 1 21 1 11 L MLMM L L = nmij ]c[ × Exemplo: − −= 32 10 32 A e − = 201 421 B C = AB = − − 32 10 32 . − 201 421 = = ×+×−×+×−−×+×− ×−+××−+×−×−+× ×+××+×−×+× 234203221312 214001201110 234203221312 )( )()()()( )( = −−− − − 245 201 1441 Propriedades da multiplicação de matrizes: (a) A(B + C) = AB + AC (1ª Lei Distributiva) (b) (A + B)C = AC + BC (2ª Lei Distributiva) (c) A(BC) = (AB)C (Lei associativa) (d) AB ≠ BA (Em geral não vale a Lei Comutativa) (e) AB = 0 não implica necessariamente que A = 0 ou B = 0. Exemplo: = − − 00 00 22 11 12 12 (f) AB = AC não implica necessariamente que B = C. Exemplo: − − = − − 00 00 12 12 22 11 12 12 (g) AI = IA = A NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 5 1.4 MATRIZ INVERSA Sendo A e B matrizes de ordem n tais que AB = BA = I, então B é a inversa de A ou A é a inversa de B. • A tem inversa se é não-singular ( det ≠ 0). • A é quadrada. • A inversa é única. • Se A é não-singular ⇒ AB = AC ⇒ B = C • A inversa pode ser determinada pela fórmula: )A(adj Adet A 11 =− , sendo adj(A) a matriz adjunta da matriz A (é a matriz transposta da matriz dos cofatores). A matriz dos cofatores é obtida de A substituindo-se cada elemento de A pelo respectivo cofator. Cada cofator é calculado pela fórmula: )Adet(.)()a(cof ij ji ij +−= 1 , sendo Aij a matriz resultante de A ao eliminarmos a linha i e coluna j. 1.5. TRAÇO DE UMA MATRIZ O traço tr de uma matriz quadrada A é a soma dos elementos diagonais (diagonal principal) da matriz A, ou seja, ∑ = = ji ijaA . Exemplo − = 341 220 031 A ⇒ tr(A) = 1 + 2 + 3 = 6. 1.6. MATRIZ ORTOGONAL Uma matriz quadrada A é ortogonal se IA'A'AA == , isto é, 1A'A −= . Exemplo: −= 2/16/13/1 0623/1 2/16/13/1 A NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 6 1.7. VETORES LINEARMENTE DEPENDENTES (L.D.) Os vetores x1, x2, .... ,xk de mesma dimensão p são linearmente dependentes se existem constantes c1, c2, .... ,ck , nem todas nulas, tal que c1x1 + c2x2 + ... + ckxk = 0 e, portanto um vetor é C.L. dos outros. Em caso contrário os vetores são chamados de linearmente independentes. Exercício 1: Verifique se x1’ = [1, 2, 1], x2’ = [1, 0, –1] e x3’ = [1, –2, 1] são linearmente independentes. Exercício 2: Verifique se x1’ = [1, 1, 3] e x2’ = [4, 4, 12] são linearmente independentes. 1.8. PRODUTO INTERNO DE VETORES Considere os dois vetores reais n-dimensionais: x = [ ]'xxx n21 L e y = [ ]'yyy n21 L , o produto interno entre esses vetores é x ⋅ y = ∑ = =++ n 1i iinn2211 yxyxyxyx L . Exemplo: x = −1 3 2 e y = 2 0 3 ⇒ x ⋅ y = 2×3 + 3×0 + (-1)×2 = 4 1.9. COMPRIMENTO OU NORMA DE UM VETOR O comprimento ou norma do vetor x = [ ]'xxx n21 L é definido por 2 n 2 2 2 1 xxx L++== x'xx . Exemplo: −= 1 3 2 x ⇒ 14)1(32x 222 =−++= NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 7 1.10. AUTOVALORES E AUTOVETORES Dizemos que uma matriz quadrada A tem um autovalor λ com o correspondente autovetor e ≠ 0 se A.e = λ.e . Propriedade 1 – Uma matriz quadrada simétrica A: k×k tem k pares de autovalores e autovetores: (λ1, e1), (λ2, e2), ... , (λk, ek). Os autovalores podem ser escolhidos de tal forma que e’iei = 1 (normalizados). Propriedade 2 – Seja A uma matriz quadrada k×k e I a matriz identidade k×k. Então, os escalares λ1, λ2, ... , λk, satisfazendo a equação 0=λ− IA (equação característica) são os autovalores de A. Exemplo: 1) Determine os autovalores e autovetores normalizados da matriz = 31 01 A . 2) Determine os autovalores e autovetores normalizados da matriz simétrica = 32 21 B . 1.11. FORMAS QUADRÁTICAS Uma forma quadrática Q(X) nas k variáveis X1, X2, ... , Xk é definida por Q(X) = )XAX'( , onde X’ = [X1, X2, ... , Xk] e A é uma matriz quadrada simétrica de ordem k×k. A formaquadrática Q(X) pode ser escrita como Q(X) = kik k i k j jiij XXaXXaXaXXa 12112 2 111 1 1 +++=∑∑ = = L kk XXaXaXXa 22 2 2221221 ++++ L ......................................................... 22211 kkkkkkk XaXXaXXa ++++ L Exemplo: Desenvolva a forma quadrática com X’ = [X1 X2] e = 21 11 A NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 8 1.12. MATRIZ POSITIVA DEFINIDA A matriz quadrada A é positiva definida se X’ A X > 0, para qualquer X ≠ 0 . Se X’ A X ≥ 0 a matriz A é positiva semi-definida (ou não-negativa). Se X’ A X < 0 a matriz A é negativa definida. 1.13. TEOREMA DA DECOMPOSIÇÃO ESPECTRAL (OU DECOMPOSIÇÃO DE JORDAN) Qualquer matriz simétrica A: k×k pode ser escrita como kkkiii 'ee'ee'ee'ee'PPA λ++λ+λ=∑λ=Λ= L222111 onde: Λ é uma matriz diagonal com os autovalores da matriz A, ou seja, λ λ λ =Λ k000 000 000 2 1 MOMM P é uma matriz ortogonal cujas colunas são os autovetores normalizados da matriz A . [ ] == kkkk k k k eee eee eee eeeP L MOMM L L L 21 22212 12111 21 Exemplo Mostre que a matriz − −= 22 23 A é positiva definida. Deve-se mostrar que X’ A X > 0, para qualquer X ≠ 0 . Observação: Usando o Teorema da Decomposição Espectral pode-se mostrar que uma matriz simétrica A: k×k é uma matriz positiva definida se e somente se todos os NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 9 autovalores de A são positivos. Ela será uma matriz não-negativa definida se e somente se todos os autovalores de A são maiores ou iguais a zero. 1.14. MATRIZ RAIZ QUADRADA A decomposição espectral permite expressar a inversa de uma matriz quadrada em termos dos seus autovalores e autovetores e isto leva a uma matriz útil: a matriz raiz quadrada. A matriz ∑ =Λ=λ = k i // iii A'PP'ee 1 2121 é chamada matriz raiz quadrada de A e é denotada por A1/2. Propriedades: (1) ( ) 2121 // A'A = (A1/2 é simétrica). (2) A1/2 A1/2 = A (3) ( ) ∑ Λ= λ = = −− k 'i / ii i / 'PP'eeA 21 121 1 , onde 21/−Λ é uma matriz diagonal cujos elementos são iλ 1 . (4) IAAAA //// == −− 21212121 e 12121 −−− = AAA // onde ( ) 12121 −− = // AA . Exemplo: Determine a matriz raiz quadrada de = 21 14 A . 1.15. VETOR ALEATÓRIO Um vetor aleatório é um vetor cujos elementos são variáveis aleatórias. Vetor aleatório: X = pX X X M 2 1 , sendo: X1, X2, ... , Xp variáveis aleatórias. NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 10 1.15.1. ESPERANÇA DE UM VETOR ALEATÓRIO Seja X: p×1 um vetor aleatório. A esperança de X é E(X) = = p 2 1 p 2 1 µ µ µ )E(X )E(X )E(X MM . No vetor aleatório cada elemento de X é uma variável aleatória com certa distribuição de probabilidade marginal. As médias marginais, µi, e as variâncias, 2 iσ , são definidas como µi = E(Xi) e 22 )X(E iii µ−=σ , i = 1, 2, ... , p, respectivamente. Especificamente, temos que: ∑ ∫= +∞ ∞− )(xp adeprobabilid de função com V.A.D. uma é X se )(xpx )(xf fdp com V.A.C. uma é X se )dx(xfx µ iiiiii iiiiiii i ∑ ∫= +∞ ∞− )(xp adeprobabilid de função com V.A.D. uma é X se )(xp)µ-(x )(xf fdp com V.A.C. uma é X se )dx(xf)µ-(x σ iiiii 2 ii iiiiii 2 ii2 i Exemplo Suponha X = 2 1 X X , sendo X1 e X2 variáveis aleatórias discretas com função de probabilidade x1 -1 0 1 p(x1) 0,3 0,3 0,4 e x2 0 1 p(x2) 0,8 0,2 Determine E(X). 1.15.2. MATRIZ DE COVARIÂNCIA DE UM VETOR ALEATÓRIO Dado o vetor aleatório X: p×1, tem-se que a matriz de covariância do vetor é ∑= V(X) = NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 11 E[X – E(X)]2 = E[X - µµµµ]2 = E[(X - µµµµ)(X- µµµµ)’] = [ ] −−− − − − pp2211 pp 22 11 µXµXµX µX µX µX E L M −−−−− −−−−− −−−−− = 2 pp22pp11pp pp22 2 221122 pp112211 2 11 )µ(X)µ)(Xµ(X)µ)(Xµ(X )µ)(Xµ(X)µ(X)µ)(Xµ(X )µ)(Xµ(X)µ)(Xµ(X)µ(X E L MMMM L L = −−−−− −−−−− −−−−− 2 pp22pp11pp pp22 2 221122 pp112211 2 11 )µE(X)µ)(XµE(X)µ)(XµE(X )µ)(XµE(X)µE(X)µ)(XµE(X )µ)(XµE(X)µ)(XµE(X)µE(X L MMMM L L σσσ σσσ σσσ = 2 21 2 2 221 112 2 1 ppp p p L MMMM L L onde σik é a covariância entre as variáveis Xi e Xk e −− −− =−−= ∑∑ ∫ ∫ +∞ ∞− +∞ ∞− )X,(Xp conjunta adeprobabilid de função com V.A.D. são X,X se )X,(X)pµ)(Xµ(X )X,(Xf conjunta fdp com V.A.C. são X,X se dX)dXX,(X)fµ)(Xµ(X )]µ)(XµE[(Xσ kiik kikiikkkii kiik kikikiikkkii kkiiik e µi e µk (i, k = 1, 2, ... , k) são as médias marginais. Quando i = k, as covariâncias tornam-se as variâncias marginais. Exemplo: NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 12 1) Determine a matriz de covariância para as duas variáveis aleatórias X1 e X2 introduzidas no exemplo anterior sendo sua função de probabilidade conjunta p12 (x1, x2) dada a seguir: X2 X1 0 1 p1(X1) -1 0,24 0,06 0,30 0 0,16 0,14 0,30 1 0,40 0,00 0,40 p2(X2) 0,80 0,20 1 2) Determine a matriz de covariância para as variáveis aleatórias X1 e X2, sabendo-se que 6 1 1 x )X(f = , 2 ≤ x1 ≤ 4 e 2 1 2 =)X(f , 1 ≤ x2 ≤ 3. 1.15.3. MATRIZ DE CORRELAÇÃO DE UM VETOR ALEATÓRIO Seja um vetor aleatório X: p×p e Σ a correspondente matriz de covariância, então a matriz de correlação será = = ppp2p1 2p2221 1p1211 ρρρ ρρρ ρρρ ρ L MOMM L L 1ρρ ρ1ρ ρρ1 p2p1 2p21 1p12 L MOMM L L onde ki ik 2 k 2 i ik ik σσ σ σσ σ ρ == (mede o grau de associação linear entre as variáveis Xi e Xk) σi = desvio padrão da i-ésima variável e σk = desvio padrão da k-ésima variável. Exemplo Seja a matriz de covariância − −=Σ 2532 391 214 , determine a matriz de correlação ρ. NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 13 1.15.4. VETOR ESPERANÇA E MATRIZ COVARIÂNCIA DE UMA COMBINAÇÃO LINEAR DE VARIÁVEIS ALEATÓRIAS Para uma variável aleatória unidimensional X1, sabemos que: E(c.X1) = c.E(X1) = c.µ1 (c = constante) e V(c.X1) = E(c.X1 – c.µ1)2 = c2.V(X1) = c2.σ12 Se X2 é uma segunda variável aleatória e a e b são constantes: Cov(a.X1 , b.X2) = E[(a.X1 - a.µ1)(b.X2 – b.µ2)] = ab E[(X1 - .µ1)(X2 – µ2)] = ab.cov(X1,X2) =abσ12 Para uma combinação linear aX1 + bX2, temos: E(aX1 + bX2) = aE(X1) + bE(X2) = aµ1 + bµ2 e V(aX1 + bX2) = E[(aX1 + bX2) – (aµ1 + bµ2)]2 = E[a(X1- µ1) + b(X2 - µ2)]2 = E[a2(X1 - µ1)2 + b2(X2 - µ2)2 + 2ab(X1 - µ1)(X2 - µ2)]= a2 E(X1 - µ1)2 + b2E(X2 - µ2)2 + 2ab cov(X1, X2) = a2 V(X1) + b 2 V(X2) + 2ab cov(X1, X2) = a2 σ12 + b2 σ22 + 2ab σ12 Em notação matricial: com c’ = [a, b], aX1 + bX2 pode ser escrito como [ ] = 2 1 X X ba c’X Analogamente, E(aX1 + bX2) = aµ1 + bµ2 pode ser expresso como [ ] = 2 1 µ µ ba c’µµµµ NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 14 Sendo σσ σσ =Σ 2 221 12 2 1 a matriz covariância de X, então V(aX1 + bX2) = V(c’X ) = c’Σc com c’Σc =[ ] 222122122 221 12 2 1 2 σ+σ+σ= σσ σσ baba b a ba . Os resultados anteriores podem ser generalizados para uma combinação linear de p variáveis aleatórias. A combinação linear c’X = c1X1 + c2X2 + ... + cpXp tem média: E(c’X ) = c’µµµµ e variância: V(c’X ) = c’Σc, onde: µµµµ = E(X) e Σ = cov (X) Considerando q combinações lineares de p variáveis aleatórias X1, X2, ... , Xp, Z1 = c11X1 + c12 X2 + ... + c1pXp Z2 =c21X2 + c22X2 + ... + c2pXp .................................................. Zq = cq1X1 + cq2X2 + ... + cqpXp Ou Z = = = pqpqq p p q X X X ccc ccc ccc Z Z Z M L MMMM L L M 2 1 21 22221 11211 2 1 CX As combinações lineares Z = CX têm * média: µµµµZ = E(Z) = E(CX) = CµµµµX NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 15 * covariância: ΣZ = cov(Z) = cov(CX) = CΣXC’ onde µµµµX e ΣX são vetor média e matriz covariância de X. Exemplo Seja X = 2 1 X X um vetor aleatório com média µµµµX = 2 1 µ µ e matriz covariância σσ σσ =Σ 2 221 12 2 1 X . Encontre a matriz covariância para as combinações lineares: Z1 = X1 – X2 e Z2 = X1 + X2. 1.16. MAXIMIZAÇÃO DE FORMA QUADRÁTICA O problema consiste em maximizar uma forma quadrática X’ BX, onde B é uma matriz positiva definida. Portanto, seja B: p×p uma matriz positiva definida com autovalores λ1 ≥ λ2 ≥ ... ≥ λp > 0 e autovetores normalizados associados e1, e2, ... , ep. Então 1 0 λ= ≠ X'X XB'X max X é satisfeito quando X = e1 p X X'X XB'X min λ= ≠0 é satisfeito quando X = ep além disso, 1 1 +⊥ λ= k e,...,eX X'X XB'X max k é satisfeito quando X = ek+1, k = 1, 2, ... , p – 1. 1.17. MATRIZ DESVIO PADRÃO Dada a matriz de covariância Σ do vetor aleatório X, definimos matriz a desvio padrão por NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 16 σ σ σ = p /V 000 000 000 2 1 21 MOMM Resultado importante: Seja o vetor aleatório X com matriz de correlação de ordem p×p, ρ, e matriz desvio padrão V1/2, se ordem p×p, então a matriz de covariância de X é Σ = V1/2ρV1/2. Exemplo: Seja a matriz de covariância − −=Σ 2532 391 214 . Determine a matriz desvio padrão V1/2. Qual é a matriz de correlação? 1.18. A GEOMETRIA DA AMOSTRA MULTIVARIADA Uma observação multivariada simples é uma coleção de medidas sobre p variáveis diferentes tomadas do mesmo item ou ensaios (prova, experiência). Se n observações foram obtidas, os dados podem ser arranjados em uma matriz X de ordem n×p como X1 X2 ... Xj ... Xp = npnjnn pj pj xxxx xxxx xxxx X LL MMMMMM LL LL 21 222221 111211 onde cada linha de X representa uma observação multivariada. Essa matriz X (matriz de dados), representa uma amostra de tamanho n proveniente de uma população p-variada. A amostra então consiste de n medidas, cada uma tendo p componentes. Obs. 1 Obs. 2 Obs. n NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 17 Exemplo: Calcule o vetor de médias para os dados da matriz X. Plotar os n=3 pontos dados em um espaço p=2 e localizar o vetor de médias no diagrama resultante. −= 53 31 14 X 1.18.1. VETOR MÉDIO AMOSTRAL Da matriz de dados X temos o vetor médio amostral x que estima o vetor médio populacional µµµµ, onde )xxx( n x x x x n x n p n i i +++= =∑= = L M 21 2 1 1 11 Exemplo: Seja a amostra de dados construída com as observações relativas a 5 estudantes. As características observadas foram: idade, sexo e nota em uma prova. Observação X1 (Idade) X2 (Nota) X3(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 médio amostral que estima o verdadeiro vetor médio (populacional). NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 18 1.18.2. MATRIZ DE COVARIÂNCIA AMOSTRAL Da matriz de dados X obtemos a matriz de covariância amostral Σ̂ que estima a verdadeira matriz covariância populacional Σ. ∑ = −−=Σ n 1i ii )'xx)(xx(n 1ˆ O estimador Σ̂ é viciado, ele é o EMV de Σ. A matriz de covariância com estimativas não-viciadas é dada por Σ − =−− − = ∑ = ˆ 1n n )'xx)(xx( 1n 1 S n 1i ii 1.18.3. MATRIZ DE CORRELAÇÃO AMOSTRAL Seja = p 2 1 2/1 s000 00s0 000s D MOMM a matriz desvio padrão que estima a verdadeira matriz desvio padrão V1/2, e seja Σ̂ um estimador da matriz Σ, então a matriz de correlação amostral ρ̂que estima a matriz de correlação populacional ρ é dada por 1/21/2 DΣ̂Dρ̂ −−= Exemplo: Estime a matriz de covariância e a matriz de correlação para os dados da matriz anterior. 1.19. VARIÂNCIA GENERALIZADA Com uma simples variável, a variância amostral é frequentemente usada para descrever a variação nas medidas daquela variável. Quando p variáveis são observadas para cada item, a variação é descrita pela matriz variância-covariância amostral. = pp2p1p p22221 p11211 sss sss sss S L MMMM L L , onde: ∑ = −− − = n 1j kkjiijik )xx)(xx(1n 1 s NOTAS DE AULA DA DISCIPLINA CE076 Material Retirado das Apostilas dos Profs. Jair Mendes Marques e Anselmo Chaves Neto Página 19 A matriz covariância amostral contém p variâncias e (1/2)p(p-1) covariâncias. Muitas vezes é desejável assumir um valor numérico único para expressar a variação dada por S. Uma escolha para esse valor único é o determinante de S, o qual se reduz à variância amostral quando p=1. Esse determinante é chamado variância amostral generalizada: VAR. AMOSTRAL GENER. = | S | Exemplo: Considere o capital total (x1) e os rendimentos de seguros (x2) para 25 grandes seguradoras dos EUA. A matriz de covariâncias S, obtida dos dados em 22/5/1978 (Fortune) é = 1553814213 1421314808 S . Determine a variância generalizada. Para a matriz de correlação R: VAR. GENER. AMOSTRAL DE VARIÁVEIS PADRONIZADAS = |R| Demonstra-se que: |S| = (s11.s22. ... .spp) . |R| Exemplo: Sendo = 121 293 134 S e = 13/22/1 3/212/1 2/12/11 R , determine as variâncias generalizadas. Outra generalização da variância: Define-se a variância total amostral como a soma dos elementos diagonais da matriz covariância amostral S. Assim, VAR. TOTAL AMOSTRAL = s11 + s22 + ... + SPP Exemplo: Determine a variância total amostral para o últimoexemplo.
Compartilhar