Baixe o app para aproveitar ainda mais
Prévia do material em texto
Aplicações: Incluir as distribuições discretas: distribuição degenerada + distribuição uniforme + distribuição multinomial Incluir as distribuições contínuas: uniforme + exponenciais + triangulares Distribuição de Bernoulli: Jogar a moeda, só temos duas possibilidades, cara ou coroa. A v.a. será definida como cara = 1 e coroa = 0. Qualquer jogo com apenas duas respostas, sim = 1 e não = 0, segue uma distribuição de Bernoulli. Se a probabilidade de SIM é p , a de Não será 1q p e a função densidade de probabilidade é dada por: 1f x q x p x . A função distribuição de probabilidade acumulada vale: 0 0 0 1 1 1 x F x q x x A funçao geradora dos momentos é dada por: 1 xt tM t q x p x e dx q pe . A função característica itt q pe . Momentos: 1 0 1k k kkM q x p x x dx q p logo kM p k , então p . Momentos centrados: 1 p tt pt t pt pt qte M t e q pe qe pe qe pe . Agora 0 k kpt qt pt k qt k k t d m qe pe q p e pq e dt , ou seja, 1 kk k km pq qp ou ainda 1 1 1 k k km pq p p . Casos particulares: 1. 1 0m pq qp ; 2. 2 1m pq p p pq ; 3. 2 2 2 2 3 1 1 2 1 2m pq p p pq p p p pq p ; 4. 3 3 2 3 3 4 1 1 3 3 1 3 1 1 3m pq p p pq p p p p pq p p pq pq . Cumulantes: ln ln 1 1itt p e , então ln 11 1 it it it itit d ipe ip ip t dt e p pe p p ep e logo: 1. 1 ln it d t ip p qe dt . Logo 1 0 ln t d c i t p dt 2. 2 2 2 2 ln it it d t i pq e p qe dt , logo 2 22 2 2 ln d c i t pq dt . 3. 3 3 2 3 3 2 3 3 ln 2 it it it it it it it d t i pq qe p qe e p qe i pqe p qe p qe dt logo, 3 3 3 3 3 0 ln t d m c i t pq q p dt . 4. 4 4 4 4 ln 2 3it it it it it it d t i pqe p qe p qe qe qe p p qe dt . Após alguma álgebra temos 4 4 4 2 2 2 4 ln 4it it it it d t i pqe p pqe q e p qe dt , logo 4 4 2 2 4 4 0 ln 4 t d c i t pq p pq q dt ou 4 1 6c pq pq . Distribuição Binomial: Vamos jogar a moeda n vezes de forma independente. Nesse caso a v.a. soma são i.i.d., e a função característica vale: n n it Bin Bernt t q pe . Sabendo a queremos a f z dada por 1 1 2 n it itzf z FT t q pe e dt . Expandindo em binômio de Newton temos: 0 0 1 2 n n i k z tn k k n k k k k n n f z q p e dt q p z k k k Aqui vale a acumulação dos cumulantes k Bin k Bernc nc , então np , 2 npq , 3c npq q p e 4 1 6c npq pq . Distribuição de Poisson: Essa distribuição é um caso limite da binomial quando n , mas 0p de tal forma que o produto np é constante. Agora 1 1 1 n it n it Bin e t p pe n . Nesse ponto usamos o fato de que 1 n x n x Lim e n para achar 1ite Poisson t e . Agora queremos a fdp: 1 0 0 1 1 2 2 ! 2 ! it it k k e itz e itz ikt itz k k e f z e e dt e e dt e e e dt e z k k k 0 ! k Poisson k e f z z k k . Uma expressão para PoissonF z . int 0 0! ! z z zk k Poisson Poisson k k e F z f x dx x k dx e k k Então int 0 ! z k Poisson k F z e k . Cumulantes: 1 1 ln ln 1 ! it k ke it Poisson k i t t e e k , portanto todos os cumulantes valem , daí , 2 , 3m e 2 4 3m , a skewness vale 3 1 0 , skewed to the right, e a curtose 1 k , sempre leptocúrtica. Se então a skewness e curtose tendem a zero. Distribuição Normal: Vamos fazer o limite de n tendendo a infinito na distribuição binomial e usar o truque do logarítmo. Nesse caso: 2 2 ln ln ln ln 1 2 2 n it Bin Bern t t t t n q pe n q p ipt p n ipt p . Mas já sabemos que 12 3 1 1 ln 1 2 3 k k k x x x x x k e vamos truncar a série na ordem 2. Chamando 2 2 t x ipt p temos: 2 2 2 2 2 2 2ln 1 2 2 2 2 2 Bin t t t t t t n ipt p ipt p n ipt p p n ipt p p Logo 2 lim ln 2 Bin n npqt t inpt e essa é a distribuição normal, cuja função característica vale: 2 2 2 t i t Normal t e . Note que, nesse caso, só existem dois cumulantes, pois 2 2 ln 2 Normal t t i t , 1c e 2 2c , todos os outros são nulos. Os momentos centrados são dados pela função geradora: 2 2 2 2 2 2 2 2 2 22 2 0 0 0 1 1 2 !2 ! 2 ! 2 ! 2 ! k k kk kt t k i t i t k k k k k k t k t e e e t k k k k . Percebe-se que não existem momentos ímpares e que os pares valem 2 2 2 2 2 0 0 1 2 ! 2 ! k k k k k k k k t t i m m k k . Comparando extraímos 2 2 2 ! 2 ! k k k k m k . Podemos reescrever esse resultado em termos dos fatoriasi duplos !! 2 4z z z z . Notando que 2 !! 2 2 2 2 4 2 2 2 2 1 2 1 2 !kk k k k k k k k e, além disso, que: 2 ! 2 2 1 2 2 2 3 2 1 2 2 2 2 2 1 2 3 1k k k k k k k k k logo 2 ! 2 !! 2 1 !!k k k , substituindo 2 2 2 !! 2 1 !! 2 !! k k k k m k chegamos na expressão mais simples 22 2 1 !! k km k . Então vemos que 2 2m ; 4 44 3 !! 3m ; 6 66 5 !! 15m e assim por diante. Falta a função densidade de probabilidade: 2 2 2 1 2 t i t itzf z e e dt . O truque aqui é completar quadrado no expoente 2 22 22 2 2 2 2 4 4 2 2 2 2 z z z t i tt t i t itz it z e e e , obtendo 2 222 2 22 222 z zt t ii t itz e e e . Substituindo de volta na integral temos: 2 2 2 22 2 2 2 22 2 2 2 22 2 2 2 2 z z z z t i ue t e ef z e d e du Finalmente obtemos a função densidade de probabilidade da distribuição Normal: 2 22 ; , 2 x e N x A Normal Padrão tem esperança nula e variância unitária dada por 2 2 2 x e NP x . A Normal padrão cumulativa é definida como 2 2 1 2 x t x e dt . Note que é sempre possível escrever o resultado de uma normal cumulativa em termos da x por uma mudança de variável. Se queremos a função distribuição de probabilidade cumulativa de uma normal com e , ou seja: 2 2 2 22 2 1 1 2 2 x xx x Normal x F x e dx e d a mudança de variável x t nos leva a 2 2 1 2 x t Normal x F x e dt . Por isso as tabelas da normal são sempre feitas para a normal padrão usando como argumento o desvio da esperança medido em desvios padrão x z . Distribuição Log-Normal. A distribuição Log-Normal é obtida da Normal através da mudança de variável x y e . A regra ára mudança de variável é dada por 1[ ( )] ( ) f g y f y dy dx , com a somatória sobre todos os x’s possíveis para as raízes da equação ( )g x y , ou, 1( )x g y . Neste caso a função é biunívoca e só existe uma raiz dada por lnx y , [0, )y . Vamos precisar da derivada xdy e y dx . Logo: 2 2 (ln ) 2 2[ ; , ] 2 y e LogN y y A log-Normal como uma aproximação da normal: Vamos reescrever a log-normal como 2 2 2 2 ln ln ln 2 2 2 2 oo y yy y e e LogN y y , 0oy , e ver o que acontece para oy y y com oy y . Neste caso ln ln ln 1 ln ln 1o o o o o y y y y y y y y y e o termo no expoente é aproximado por (ln ln ) ln 1 o o o y y y y y y . No denominador simplesmente fazemos oy y e vemos que 2 2 22 2 o y y o e LogN y é uma normal da variável o y y . Se fizermos log N N oy teremos duas curvas muito semelhantes no caso em que N . Note que se 0y o ln y anulando a função. Grandes diferenças, portanto, entre a normal e a log-normal ocorrerão quando a probabilidade de valores de x negativos na normal forem grandes. A figura xx mostra esse comportamento: Figura xxx. Normal com 100o ox y . (a) 10N e log 0,1N ; (b) 20N e log 0,2N ;(c) 40N e log 0,4N . Tanto a função geradora dos momentos quanto a função característica apresentam problemas de convergência, mas podemos calcular os momentos da Log-Normal 2 2 (ln ) 2 0 2 y n n e dy M y y mudando a variável de integração para ln y x , x y e , dy dx y , quando 0 y x e quando y x . Nesse caso: 2 2 ( ) 2 1 2 x nx nM e e dx . O truque aqui é completar quadrado no expoente: 2 2 2 2 2 2 2 2 2 2 2 2 22 2 2 2( ) ( ) 2 2 2 2( ) ( ) ( )2 2 2 2 x x nx x x nx x n x n n nx e e e e e continuando 2 2 2 2 2 2 4 2 2 2222 2 2( ) ( ) ( 2 ) ( )2 2 22 x x x n n n x x n n n nx e e e e e . Daí vemos que 2 22 2 2 ( ) 22 1 2 x x n n n nM e e dx . A integral entre colchetes vale 1 e temos todos os momentos de ordem n dados por 22 2 n n nM e . Em particular temos 0 1M ; 2 2 1 M e ; 22 2 2 M e ; 293 2 3 M e e 24 8 4 M e . Podemos calcular os momentos centrados usando binômio de Newton 0 1 n n k n k n k k n m M k . Já sabemos que 1om e 1 0m . Para a variância m2 temos: 2 2 2 1 m M M logo 2 2 2 22 2 2 2 2 ( 1) m e e e e , 2 22[ ] ( 1) V y e e e 2 2 2[ ] ( 1) V y e e . Para o momento centrado de ordem 3 temos 3 3 3 1 2 13 2 m M M M M de onde extraímos que 2 2 2 2 2 2 2 9 1 3 9 5 3 3 3 3 3 3 2 22 2 2 2 2 2 3 3 2 3 2 m e e e e e e e e 2 2 2 3 3 32 3 3 2 m e e e . Fatorando o termo entre colchetes ainda chegamos a 2 2 2 3 23 2 3 1 2 m e e e . A Skewness será dada por: 2 2 2 2 2 2 2 3 23 2 3 3 3 33 3 22 1 2 1 2 ( ) 1 e em e e e V y e e . Para o momento de ordem 4 2 4 4 4 1 3 1 2 14 6 3 m M M M M M M teremos: 2 2 2 2 2 2 2 2 2 2 9 3 4 8 2 2 2 4 2 4 8 4 5 4 3 4 22 2 4 4 6 3 4 6 3 m e e e e e e e e e e Que pode ser simplificado para 2 2 2 24 2 6 3 4 4 6 3 m e e e e e fatorando o termo: 2 2 2 2 2 2 2 2 2 2 2 2 226 3 5 4 3 2 4 3 24 6 3 1 3 3 3 1 2 3 3 e e e e e e e e e e e e e obtemos, finalmente: 2 2 2 2 224 2 4 3 2 4 1 2 3 3 m e e e e e . Agora 2 2 2 2 2 2 2 2 2 2 2 4 2 4 3 2 4 3 24 4 4 2 4 2 1 2 3 3 2 3 3 ( ) 1 e em e e e e e e V y e e que leva à curtose 2 2 24 3 22 3 6 k e e e . Como 1 2 3 6 percebe-se que 0k sempre, com a igualdade valendo apenas se 2 0 . Distribuição Gama: Função gama: Vamos calcular a seguinte integral: 0 z tI z t e dt . Fazendo por partes b b b a a a udv uv vdu com zu t ; 1zdu z t dt , tdv e dt e tv e , temos que: 1 0 0 0 z t z t z tI z t e dt t e z t e dt . Mas 0 0z tt e , pelo zt em 0t e pelo te em t , então 1 0 z tI z z t e dt , o que nos leva à relação de recorrência 1I z z I z . Aplicando essa relação várias vezes temos que 1 1 2 1 2 1 0I z z I z z z I z z z z I z . Pela definição de I z temos que 0 0 0 1t tI e dt e , portanto !I z z . A identidade acima foi mostrada apenas para Z inteiro positivo, mas dado que a integralexiste ela pode ser utilizada para generalizar a função fatorial para reais e até mesmo complexos, com a única condição de que a integral convirja. Assim: 0 ! z tz t e dt . Essa integral não apresenta problemas para t por conta do te mas pode ter problemas para 0t se 0z . A integral converge se 0 x zt dt existe. Para 1z a integral 1 0 0 1 x z z t t t dt z existe se 1 0z , ou seja, 1z . A função gama é definida por: 1 0 z tz t e dt , com Re 0Z . A relação com a função fatorial é dada por 1 !z z e ! 1z z . Formas equivalentes: vamos mudar a variável para 2t x e 2dt xdx então 212 0 2 z xz x e xdx , finalmente 22 1 0 2 z xz x e dx e 22 1 0 ! 2 z xz x e dx . Fazendo 1 2 z vemos que 2 2 0 1 2 2 x xe dx e dx de onde extraímos que 1 2 e que 1 !2 . A distribuição gama é dada por: 1 ; , ox x o gama o o x x e f x x H x x Vamos mostrar que a área sobre a curva vale sempre 1. 1 1 0 1 1 1 o o x x to gama x x x x f x dx e d t e dt Casos particulares: 1. 1 então exp ; ;1, ox x onencial o gama o o e f x x f x x H x x 2. 2 v e 2 então 2 1 22 2 ; ; , 2 2 2 2 ox x o o gama o o x x e f x x f x x H x x é a distribuição chi-quadrado [se pronuncia qui-quadrado]. FGM da distribuição gama: 1 1 1 o oo o x x x xx t x x txt o o o o o x x x x x xx e M t e e H x x d e e H x x d 11 11 1 0 0 0 1 1 1 1 o o ox t x t x t t u t utu ue e eM t e u e du u e du t u e d t u t 1 0 1 1 o ox t x t ve eM t t v e dv t 1ox tM t e t Logo 1oix tt e i t Esperança: 1 1 1o o x t x t oM t x e t e t então 0 oM x . Se 0 então ox logo neste caso 1i tt e i t e 1 nn in tt e i t o que gera uma distribuição gama com ; ,x n n . Cumulantes: 1 1 1 ln ln ln 1o k k k ix t k o k i t e i t ix t t k , pela série do logarítmo 1 1 1 ln 1 k k k x x k , ou seja, 1 ! ln ! k k k o k i k t t ix t k k , finalmente: 2 ln 1 ! ! k k k o k t t i x t i k k Comparando com 0 ln ! k k k k t t i c k , da definição dos cumulantes, vemos que 1 oc x e que 1 ! kkc k , de onde extraímos que 2 2 2c , 3 3 3 2c m e 4 4 6c . Assim a curtose vale 4 2 4 6 6 k , positiva, logo leptocúrtica. Usando o fato de que 4 4 4 3c m vemos que 4 2 4 46 3m e extraímos 44 3 2m . Aditividade da distribuição gama: Sejam 1 2, , , nx x x n v.a.´s independentes que seguem a distribuição gama de mesmo mas com diferentes s e ox s , ou seja, ; ,i i oi if x Gama x x . Então a variável 1 2 nz x x x também segue a distribuição com 1 2o o o onx x x x e 1 2 n e mesmo . Pelo teorema da convolução 1 21 21 1 1 no o onix t ix t ix tz t e i t e i t e i t logo 1 21 2 1 no o oni x x x t z t e i t que é a função característica da distribuição gama. Convergência para a Normal: Se podemos usar o truque do logarítmo para analisar o comportamento assimptótico da distribuição gama. Aplicando o logarítmo na função característica temos: ln ln 1ot ix t i t , usando 2 3 4 ln(1 ) ... 2 3 4 x x x x x com x i t obtemos, até segunda ordem, 2 2 2ln(1 ) 2 2 i t x i t i t t . Nesse caso temos então que 2 2ln 2 ot i x t t ou 2 2 2 oi x t t t e que é a função característica de uma normal com ox e 2 2 . Logo para 2; , ; ,o oLim x x N x x . Distribuição Chi-quadrado: Na função Gama vamos fazer 2 e 2 . Nesse caso temos: 2 v e 2 então 2 1 22 2 ; 2 2 ox x o o o x x e f x x H x x . Distribuições t-student e F. Agora suponha a variável 2y x onde x segue uma normal 0,1N . Então y segue a distribuição 2 com 21 22 1 2 y yf y y e H y . Agora a v.a. 2 2 2 2 1 2 nS x x x segue a distribuição Gama com 2f S nnnnnnnn Suponha que x segue uma normal ,N cuja função característica vale 2 2 2 t i t x t e . Qual a distribuição de 1 2 nz x x x com x´s iid? A nova função característica será dada por 2 22 2 2 2 n tt in t n in t x t e e logo z segue uma normal ,N n n . Agora vamos mudar a v.a. para a média 1 j j z x x n n . Nesse caso x z z f nf nx n , ou seja, 2 2 2 2 2 2 1 2 2 nt t n in t n in t inxt inxt x n f x e e dt e e d nt Chamando s nt temos que 2 2 2 1 , 2 s n i s ixs xf x e e ds N n Distribuição Beta: Podemos iniciar a distribuição Beta descobrindo quanto vale ! !n m . Usando a forma 22 1 0 ! 2 z xz x e dx podemos reescreever esse produto como: 2 22 22 1 2 1 2 1 2 1 0 0 0 0 ! ! 4 4 x yn x m y n mn m x e dx y e dy e x y dxdy . Vamos trocar para coordenadas polares cosx r , siny r , 2 2 2x y r e dxdy r dr d . Temos que integrar apenas no primeiro quadrante, pois 0 0x e y , logo 0 2 e 0 r , logo: 2 2 2 2 2 1 12 1 2 1 2 1 2 1 2 1 2 1 0 0 0 0 ! ! 4 cos sin 2 2 cos sin n mr n m n m r n mn m e r r r dr d r e dr d Ou seja: 2 2 1 2 1 0 ! ! 1 !2 cos sinn mn m n m d Fazendo 2cost , 2 21 1 cos sint e 2sin cosdt d transformamos a integral acima em 0 12 2 2 0 1 0 ! ! 1 ! cos sin 2sin cos 1 ! 1 1 ! 1 n m m mn nn m n m d n m t t dt n m t t dt Então sabemos que: 1 0 ! ! 1 1 ! mn n mt t dt n m . A função Beta é definida como 1 11 0 1 ! 1 ! , 1 1 ! mn n m n m B n m t t dt n m n m . A distribuição Beta, definida no intervalo 0 1x apenas, é dada por: 11 1 ; , 1 , beta x x f x H x H x B FGM da Beta: 1 1 1 11 1 00 0 1 1 1 1 , , ! k xt k beta k t M t e x x dx x x x dx B B k 1 11 0 00 ,1 1 , ! , ! k k k beta k k B kt t M t x x dx B k B k 0 , , ! k beta k B k t M t B k Daqui extraímos que: , , k B k M B . Em termos dos fatoriais temos: 1 ! 1 ! 1 ! 1 ! 1 ! 1 ! k k M k , ou seja, 1 ! 1 ! 1 ! 1 ! k k M k . 1. 1 ! 1 ! 1 1 ! 1 ! oM . 2. 1 ! 1 ! ! 1 ! M então . 3. 2 1 ! 1 ! 1 1 ! 1 ! 1 M então 2 2 2M será dado por 2 2 2 1 1 1 1 finalmente 2 2 1 . 4. 3 2 ! 1 ! 1 2 2 ! 1 ! 1 2 M . 5. 4 3 ! 1 ! 1 2 3 3 ! 1 ! 1 2 3 M . Distribuição Logística: 1 ; 1 ox x F x e então 1 2 1 ; 1 1 o o o x x x x x x d e f x e dx e ( ) tx tx tx dF x M t e dx e F x t e F x dx dx 1 2 2 ( ) 1 1 o o o o o x x t zx x t x t x to x x z ex xe M t e e d e dz e e lnz s 1 dz ds s 1 ln 2 2 ln 0 0 1 ( ) 11 o o t s t x t x t s e s M t e ds e ds s se 1 t s t ; 2 1 1 ds dt t , 1 1 1 1 1 t s t t 1 1 1 11 1 2 0 0 2 1 1 ( ) 1 1 ,1 1 1 1 o o o t t tx t x t x tt t t M t e dt e t t dt e B t t t t Distribuição t de Student. Uma variável aleatória t de Student é dada por uma variável normal cuja variância é igual à recíproca de uma variável que segue uma distribuição gama. Se a variável x segue uma normal com média nula mas variância 2 1 desconhecida então 2 2 2 x f x e . A segue uma distribuição gama com parâmetros 1 1 ; ,gamaf e H , então x segue a distribuição: 2 21 1 1 22 2 2 0 0 1 1 1 1 2 2 x x f x d e e d e Ou seja, 21 11 1 2 2 2 12 22 2 2 1 0 2 1 1 1 1 2 2 2 2 x x x d x f x e , de modo que 1 1 12 22 21 2 0 1 1 2 1 1 2 2 2 2 zx xf x z e dz . Para 2 v e 2 chegamos a distribuição t de Student dada por 1 2 2 1 2 1 2 x f x . A distribuição t de Student não possui função geradora dos momentos mas possui função característica dada por 2 2 1 22 2 K t t t onde 2 K x é a função de Bessel modificada. Note entretanto que é uma função do módulo de t , não diferenciável, e portanto não pode ser utilizada para cálculo dos momentos. Distribuição normal multivariada: Se as v.a.s correlacionadas seguem uma distribuição normal multivariada queremos mostrar que a função densidade de probabilidade conjunta é dada por: 11 2 i i ij j j i j x V x f x Ae onde V é a matriz de variância-covariância. O fato de que se trata de uma matriz definida positiva garante que o expoente será sempre negativo e f caia a zero para grandes valores de x. Antes de mais nada precisamos encontrar a constante normalizadora A tal que 11 2 1 2 1 i i ij j j i j x V x nAe dx dx dx . Para realizar essa operação precisamos antes diagnolizar a matriz 1V . Voltando à distribuição normal multivariada temos que a integral 11 2 1 2 1 i i ij j j i j x V x nAe dx dx dx é complicada por causa dos termos cruzados envolvendo ix e jx . Então a idéia é diagonalizar e ficar apenas com termos contendo 2 iz . Para tanto vamos começar definindo i i iq x e reescrever a integral como 11 2 1 2 1 i ij j i j q V q nA e dq dq dq . Agora notamos que temos 11 2 1 2 1 q V q nA e dq dq dq e diagonalizamos a matriz V-1 no expoente com o seguinte truque: 1 11 1 2 2 1 2 1 2 1 q S S V S S q S q S V S S q n nA e dq dq dq A e dq dq dq . Agora mudamos para as variáveis giradas, z S q , ou seja, i ij j j z S q . Multiplicando pela inversa de S´ temos que q S z , ou seja, i ij j j q S z de onde tiramos que i ij j q S z e que a matriz Jacobiana J é a própria matriz S. Sabemos que 1 2 1 2detn ndq dq dq J dz dz dz . Mas, nesse caso, como J S e det 1S então 1 2 1 2n ndq dq dq dz dz dz e a integral fica na forma 2 2 22 2 1 2 2 2 1 i i ii i z z u n i i i i i i A e dz dz dz A e dz A e du A . Isso significa que 1 2 1 2 n n A onde isão os autovalores de V. Agora, usamos o fato de que a diagonalização de uma matriz preserva o determinante e que, portanto, 1 2det nV . Daí obtemos que 1 2 det n A V . A distribuição Normal multivariada é dada por: 1 1 1 1 2 2 2 det 2 det i i ij j j i j x V x x V x n n e e f x V V Para achar a matriz de variância-covariância entre as variáveis x notamos que que as variáveis z´s são independentes, pois ,i j i i j jf z z f z f z , seguindo uma normal com esperança nula e variância i , ou seja, 0iE z e i j i ijE z z . A relação entre as variáveis z´s e as x´s originais é: i i ij j j x S z , de onde tiramos que i i ij j i j E x S E z e i i ij j j x S z , logo, i i k k kl ij j l j j x x S S z z então: 1 i i k k kl ij j l kl ij jl j ij jk j l j l jj E x x S S E z z S S S S SDS V . Geração de variáveis correlacionadas – método da decomposição de Cholesky. Sabemos que a matriz de variância-covariância V é simétrica e definida positiva. Toda matriz dessa forma pode ser decomposta em uma multiplicação de matrizes triangulares superior e inferior, ou seja, queremos escrever V onde 11 21 22 31 32 33 0 0 0 é uma matriz triangular inferior e 11 21 31 22 32 33 0 0 0 é triangular superior. Sabemos que qualquer matriz dada por M AA é simétrica pois M AA A A AA M . Logo é uma matriz simétrica. Agora note que 2 11 11 21 31 11 11 21 11 31 2 2 21 22 22 32 11 21 21 22 31 32 33 33 11 31 0 0 0 0 0 0 . Percebe-se do processo que 2 11 11 11 11V V e 12 11 21 12 21 11 V V V e 13 11 31 13 31 11 V V V 2 2 2 2 2 2 12 11 22 12 11 22 12 21 22 22 22 22 22 11 11 11 V V V V V V V V V V V V . O processo pode ser continuado, mas existem pacotes capazes de realizar a decomposição de Cholesky. Note que é necessário que V seja definida positiva para que as raízes sejam reais. Agora geramos n v.a.s independentes com esperança nula e variância unitária, i.e., 0iE x ; i j ijE x x e com essas variáveis construímos as variáveis z´s dadas por i ij j i j z x z portanto i ij j i i j E z E x E z z . Nesse caso i i i i ij j j z E z z z x . Daí extraímos que k k kl l l z z x e i i k k kl ij j l l j z z z z x x . Aplicando a esperança de ambos os lados: i i k k kl ij j l kl ij jl ij kj ij jk l j l j j j E z z z z E x x V Conseguimos então um conjunto de n v.a.s iz com esperança e variância determinadas. Aspectos fundamentais dessa técnica são: (1) A matriz de partida tem que ser simétrica e definida positiva; (2) as variáveis independentes devem ter esperança nula e (3) variância igual a 1.
Compartilhar