Teoria Matrizes

Departamento de Estatstica
Universidade Federal de Sao Carlos

Teoria de Matrizes para Estatstica
Jose Carlos Fogo
Sao Carlos
Mar co 2012
Sumario
1 Vetores 1
1.1 Deni cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Representa cao graca no 1
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Propriedades algebricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Vetores especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Produto entre vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Propriedades algebricas do produto interno entre vetores . . . . . . . . . . 5
1.4 Modulo ou comprimento de um vetor . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Outros resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Representa cao vetorial dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Espacos Vetoriais 9
3 Matrizes 10
3.1 Casos especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Opera coes com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Medidas relacionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3.1 Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3.2 Rank . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.3 Traco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4 Autovalores e autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.5 Matriz dos cofatores e matriz adjunta . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.6 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.7 Matriz nao singular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.8 Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.9 Matriz denida positiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.10 Opera coes elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.11 Matrizes similares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
i
Sumario Teoria de Matrizes para Estatstica
4 Decomposicao de matrizes 28
4.1 Decomposicao espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Decomposicao em valores singulares . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5 Vetores aleatorios 34
5.1 Vetores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.1.1 Valor esperado de um vetor aleatorio . . . . . . . . . . . . . . . . . . . . . . 36
5.1.2 Matriz de variancias-covariancias de um vetor aleatorio . . . . . . . . . . . 37
5.1.3 Matriz de correlacoes de um vetor aleatorio . . . . . . . . . . . . . . . . . . 40
5.1.4 Vetores aleatorios particionados . . . . . . . . . . . . . . . . . . . . . . . . . 42
ii
1
Vetores
1.1 Deni cao
Na Fsica: e uma forma de se representar matematicamente grandezas fsicas que possuam
mais de um aspecto para ser denida.
Exemplo: a for ca, necessita da magnitude, dire cao e sentido em que e aplicada;
Na Matematica: e uma tripla constituda de uma direcao, um sentido e um n umero nao
negatico (modulo), Venturini, J.J.
Obs: Usando a teoria de matrizes, pode-se denir um vetor como qalquer matriz coluna, ou
matriz linha.
Na Wikipedia: e um conceito caracterizado por uma magnitude (modulo) e uma orienta cao
(dire cao e sentido).
Notacao: v, x, a (letras min usculas).
Nas notas da disciplina, vamos adotar a nota cao usual em publicacoes, ou seja, com letras mi-
n usculas, em negrito: v, x, a.
x =
_
_
x
1
x
2
.
.
.
x
p
_
_
, e um vetor de dimensao p.
1
Vetores Teoria de Matrizes para Estatstica
Exemplo:
x =
_
_
1
2
3
4
_
_
, e um vetor de dimensao 4.
1.1.1 Representa cao graca no 1
2
Exemplo: Sejam
x =
_
2
5
_
e y =
_
3
0.5
_
,
Figura 1.1: Representa cao graca de vetores no plano
1.1.2 Propriedades algebricas
i ) u + v = v + u;
ii ) (u + v) + w = u + (v + w);
iii ) a (u + v) = a v + a u, a = escalar;
iv) (a + b) u = a u + b u, a, b = escalares.
2
1.2 Vetores especiais
i ) vetor nulo:
0
n
=
_
_
0
0
.
.
.
0
_
_
;
ii ) vetor de 1s:
1
n
=
_
_
1
1
.
.
.
1
_
_
n1
;
iii ) vetor transposto:
v
=
_
v
1
, v
2
, , v
p
_
.
1.3 Produto entre vetores
Os produtos entre de vetores mais comuns sao o produto escalar euclidiano, ou produto interno
e o produto vetorial, ou produto externo, sendo que nos dois casos os vetores devem ter mesmas
dimensoes.
Alem das duas formas de produtos acima, temos ainda o produto direto, ou produto Kronecker
e o produto elemento-a-elemento.
Nota: Na disciplina serao destacados os produtos interno, Kronecker e elemento-a-elemento.
Considere os vetores
v =
_
_
v
1
v
2
.
.
.
v
p
_
_
e x =
_
_
x
1
x
2
.
.
.
x
p
_
_
.
a) Produto elemento-a-elemento
1
:
x v =
_
_
x
1
v
1
x
2
v
2
.
.
.
x
p
v
p
_
_
.
1
Como n ao temos uma nota c ao para um operador elemento-a-elemento, vamos utilizar o asterisco (*)
3
b) Produto interno ou produto escalar:
x, v = x v = x
v =
p
i=1
x
i
v
i
c) Produto Kronecker ou produto direto: sejam x e v vetores com dimensoes p e q,
respectivamente
xv =
_
_
x
1
v
x
2
v
.
.
.
x
p
v
_
_
pq1
.
Exemplos:
Sejam x =
_
_
2
5
1
_
_
e v =
_
_
3
2
3
_
_
,
de (a):
x v =
_
_
(2) (3)
(5) (2)
(1) (3)
_
_
=
_
_
6
10
3
_
_
;
de (b):
x, v = x
v = (2) (3) + (5) (2) + (1) (3) = 1.

de (c):
xv =
_
_
2 v
5 v
1 v
_
_
=
_
_
6
4
6
15
10
15
3
2
3
_
_
4
Obs: Para o produto Kronecker as dimensoes nao precisam ser necessariamente iguais
Se x =
_
2
3
_
e v =
_
_
1
2
3
4
_
_
, entao: xv =
_
_
2
4
6
8
3
6
9
12
_
_
1.3.1 Propriedades algebricas do produto interno entre vetores
i ) u
v = v
u ou u,v = v,u;
ii ) (u
+ v
)w = u
w + v
w ou (u+v),w = u,w + v,w;

iii ) (k v
)u = k (v
u) = v
(k u), ou kv,u = k v,u = v, ku k = escalar;

iv) u
u 0 ou u,u 0;
v) u
u = 0 u = 0 ou u,u = 0 u = 0.
1.4 Modulo ou comprimento de um vetor
O comprimento, modulo ou norma de um vetor v e denido por
|v| =
v =
_
v
2
1
+ v
2
2
+ . . . + v
2
p
.
Exemplo: Dados os vetores v
= (2, 5, 1), x
= (3, 2, 3) e u
= (0.8, 0.6), entao

|v| =
4 + 25 + 9 =
30;
|x| =
9 + 4 + 9 =
22;
|u| =
0.64 + 0.36 =
1 = 1.
O vetor u
= (0.64, 0.36), tem comprimento 1, por isso e chamado de vetor unitario.

1.5 Outros resultados
i )

Angulo entre vetores: considere o angulo formado por dois vetores u e v, entao:
cos() =
u
v
|u| |v|
=
u
v
.
Se = 90
, cos() = 0, portanto, uv u
v = 0.
5
Figura 1.2:

Angulo entre vetores.
ii ) Projecao de um vetor sobre outro:
Considere os vetores u e v. Entao, a proje cao de u sobre v e obtida por:
P
u/v
=
_
u
v
v
v
_
v =
(u
v)
|v|
2
v.
O modulo da proje cao, por sua vez, e dado por:
_
_
P
u/v
_
_
=
v
v
v =
[u
v[
|v|
2
|v| =
[u
v[
|v| |u|
|u|
_
_
P
u/v
_
_
= [cos()[ |u| .
Exemplo: Dados os vetores u
= (1, 2), v
= (2, 1), encontar a proje cao de u sobre v e calcular

o seu modulo.
Calculos:
|u| =
1
1
+ 2
2
=
5
|v| = |u| =
5
u
v = 2 1 + 1 2 = 4
cos() =
u
v
|u| |v|
=
4
5
= 0.8

= 36.9
Proje cao de u sobre v:

P
u/v
=
_
u
v
v
v
_
v =
4
5
_
2
1
_
=
_
1.6
0.8
_
.
6
Comprimento da projecao:
_
_
P
u/v
_
_
= [cos()[ |u| = 0.8
5 =
3.2
De fato
_
_
P
u/v
_
_
2
=
_
1.6 0.8
_
_
1.6
0.8
_
= 3.2,
logo,
_
_
P
u/v
_
_
=
3.2.
Figura 1.3: Projecao de um vetor u sobre um vetor v.
1.6 Representa cao vetorial dos dados
Na estatstica os dados sao usualmente representados em vetores (os softwares usam esse con-
ceito).
Exemplo: Seja uma amostra de tamanho n = 10 representando o ganho lquido de um grupo
7
de empresas da bolsa de valores (em milhoes de reais). Pode-se representar os dados por
x =
_
_
564
389
203
215
385
187
127
297
432
451
_
_
.
Como
x
i
= 3250 e
x
2
i
= 1234408, tem-se que:
x =
3250
10
= 325;
s
2
=
1234408 10(325)
2
(10 1)
= 19795.33.
Os resultados acima da media amostral x e variancia amostral s
2
podem ser facilmente obtidos
utilizando as operacoes vetoriais.
i) Para a soma dos elementos de x, tem-se
1
n
x =
n
i=1
x
i
= x
1
+ . . . + x
n
ii) Para a soma dos quadrados dos elementos de x,
x
x =
n
i=1
x
2
i
= x
2
1
+ . . . + x
2
n
Assim, de (i) e (ii) tem-se que:
x =
1
n
x
n
;
s
2
=
1
(n 1)
_
x
x
(1
n
x)
2
n
_
.
No exemplo:
1
n
x = 3250;
_
x
x
(1
n
x)
2
n
_
= 1234408
(3250)
2
10
= 178158.
8
2
Espacos Vetoriais
Denicao 2.1 Espaco Vetorial
Seja V
n
= v
1
, v
2
, . . . , v
k
, em que v
i
e um vetor com dimensao n 1, i = 1, 2, . . . , k, se:
i) para um escalar a e um vetor v
i
V
n
= av
i
V
n
, i = 1, 2, . . . , k,
ii) para dois vetores v
i
, v
j
V
n
= v
i
+v
j
V
n
, i, j = 1, 2, . . . , k,
entao, V
n
e um espaco vetorial
Exemplo 2.1
Seja n = 3 e V
3
= v
1
, v
2
, em que
v
1
=
_
_
0
1
1
_
_
e v
2
=
_
_
0
1
1
_
_
Entao, para um escalar a, quaisquer vetores do tipo v
= (0, a, a) ou v
= (0, a, a) pertencem
a V
3
. Alem disso, para dois escalares a e b,
v =
_
_
0
a + b
a b
_
_
V
3
.
Note que qualquer vetor do tipo v
= (0, k
1
, k
2
) V
3
, pois, para
a =
k
1
+ k
2
2
e b =
k
1
k
2
2
, av
1
+ bv
2
V
3
.
Por outro lado, v =
_
_
1
0
0
_
_
/ V
3

9
3
Matrizes
Denicao 3.1 Matriz
Matriz e uma colecao retangular n p de valores reais, representada por
A
np
=
_
_
a
11
a
12
a
1p
a
21
a
22
a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
np
_
_
,
em que: n e o n umero de linhas e p e o n umero de colunas da matriz
Segundo Graybill (1983), uma matriz pode, ainda, ser representada da seguinte forma:
A
np
= [a
ij
]
np
.
3.1 Casos especiais
i ) Matriz Transposta: denotada por A
ou A
t
, e obtida trocando-se as linhas de A pelas
colunas.
Exemplo: A
23
=
_
3 2 1
1 5 4
_
A
32
=
_
_
3 1
2 5
1 4
_
_
.
ii ) Matriz Quadrada: ocorre quando o n umero de linhas e igual ao de colunas.
Exemplo: A
33
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
.
10
Matrizes Teoria de Matrizes para Estatstica
iii ) Matriz Diagonal: matriz quadrada na qual apenas os elementos da diagonal sao diferentes
de zero.
Exemplo: A
pp
=
_
_
a
11
0 0
0 a
22
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
pp
_
_
.
Nota: A matriz identidade e um caso particular da matriz diagonal. Denotada por I
p
= I
pp
,
seus elementos da diagonal sao todos iguais a 1, ou seja, a
11
= a
22
= . . . = a
pp
= 1.
Exemplo: I
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
.
iv) Matriz Simetrica: matriz quadrada em que A = A
, ou seja, quando a
ij
= a
ji
, i, j =
1, 2, . . . , p.
Exemplo: A
33
=
_
_
1 2 3
2 4 5
3 5 6
_
_
.
3.2 Opera coes com matrizes
i ) Multiplica cao por um escalar:
c A
np
=
_
_
c a
11
c a
12
c a
1p
c a
21
c a
22
c a
2p
.
.
.
.
.
.
.
.
.
.
.
.
c a
n1
c a
n2
c a
np
_
_
.
ii ) Adicao de matrizes de mesmas dimensoes:
A
np
+B
np
=
_
_
a
11
+ b
11
a
12
+ b
12
a
1p
+ b
1p
a
21
+ b
21
a
22
+ b
22
a
2p
+ b
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
+ b
n1
a
n2
+ b
n2
a
np
+ b
np
_
_
.
Resultados
a) A + B = B + A d) (c + d) A = c A + d A
b) (A + B) + C = A + (B + C) e) (c d) A = c (dA)
c) c (A + B) = c A + c B f ) (A + B)
= A
+ B
iii ) Multiplica cao de matrizes: o produto de duas matrizes A

nk
e B
kp
e dado pelos produtos
11
internos das linhas de A pelas colunas de B
A
nk
B
kp
= (AB)
np
,
desta forma, o n umero de colunas da primeira (A) deve ser igual ao n umero de linhas da
segunda (B) e o resultado sera uma matriz cujo n umero de linhas sera igual ao n umero de
linhas da primeira e o n umero de colunas, igual ao da segunda.
Exemplo:
A
23
=
_
3 1 2
1 5 4
_
B
32
=
_
_
2 1
7 0
9 3
_
_
,
AB =
_
(6 7 + 18) (3 6)
(2 + 35 36) (1 + 12)
_
=
_
5 3
3 13
_
.
Nota: A identidade e o elemento neutro da multiplica cao de matrizes, ou seja, AI = I A =
A.
Resultados
(as matrizes A, B e C sao de dimensoes tais que os produtos abaixo sejam denidos)
a) c (A B) = (c A) B d) (c A)
= c A
b) A(B + C) = AB + AC e) (A B)
= B
c) A(BC) = (AB) C
Notas:
1) Em geral nao vale a propriedade comutativa, ou seja, A B ,= B A,
2) Se A B = 0, nao implica, necessariamente, que A = 0 ou que B = 0.
3.3 Medidas relacionadas
3.3.1 Determinante
Seja uma matriz quadrada A, entao, seu determinante e um escalar denotado por [A[ e e denido
por:
[A[ =
k
j=1
a
1j
(1)
j+1
[A
1j
[ , k > 1.
em que a
1j
e o j-esimo elemento da primeira linha de A e A
1j
e a matriz obtida eliminando-se a
primeira linha e a j-esima coluna de A.
O resultado tambem e valido quando exclumos qualquer uma das outras linhas, ou seja
[A[ =
k
j=1
a
ij
(1)
i+j
[A
ij
[ , k > 1, i = 1, 2, . . . , k.
12
Nota: o termo (1)
i+j
[A
ij
[ e denido como cofator do elemento a
ij
e sera visto mais adiante.
Exemplo: A =
_
_
2 1 3 0
1 1 2 2
2 0 3 3
4 1 1 2
_
_
.
Eliminando-se a primeira linha:
[A[ = (2) (1)
1+1
1 2 2
0 3 3
1 1 2
+ (1) (1)
1+2
1 2 2
2 3 3
4 1 2
+
(3) (1)
1+3
1 1 2
2 0 3
4 1 2
+ (0) (1)
1+4
1 1 3
2 0 3
4 1 1
[A[ = (2) (1)

2
(9) + (1) (1)
3
(21) + (3) (1)
4
(23) + (0) (1)
5
(17)
[A[ = 18 21 69 = 108.
Eliminando-se a terceira linha:
[A[ = (2) (1)
2
(18) + (0) (1)
3
(30) + (3) (1)
4
(2) + (3) (1)
5
(22)
[A[ = 36 6 66 = 108.
Casos especiais:
a) k = 2:
A =
_
a
11
a
12
a
21
a
22
_
, [A[ = a
11
a
22
a
12
a
21
.
Exemplo:
A =
_
1 3
6 4
_
, [A[ = 1 4 3 6 = 14.
13
b) k = 3:
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
,
[A[ = a
21
a
32
a
13
+ a
11
a
22
a
33
+ a
12
a
23
a
31
a
12
a
21
a
33
a
13
a
22
a
31
a
11
a
23
a
32
.
Exemplo:
A =
_
_
3 1 6
7 4 5
2 7 1
_
_
,
[A[ = 10 + 12 294 7 48 + 105 = 222.
Resultados
(as matrizes A, B sao tais que os produtos sejam denidos)
a) [A[ = [A
[,
b) Se os elementos de uma linha (ou coluna) sao iguais a zero, entao, [A[ = 0,
c) Se duas linhas (ou colunas) sao iguais ou proporcionais, entao, [A[ = 0,
d) [A B[ = [A[ [B[,
e) [c A[ = c
k
[A[, em que k e o n umero de linhas (ou colunas) de A,
f) [I[ = 1.
3.3.2 Rank
O rank de uma matriz A
np
e dado pelo n umero maximo de linhas ou colunas linearmente
independentes (LI), ou seja, rank(A) min(n, p).
Exemplos:
A =
_
_
3 0 1 2
1 3 1 0
4 3 4 5
_
_
, rank(A) = 3,
todas as linhas, de A sao LI.
14
B =
_
_
4 1 3
1 4 5
2 2 0
_
_
, rank(B) = 2,
a primeira coluna de B e combina cao linear das demais.
Notas:
1) Uma matriz A
np
e dita ser de posto completo se o seu rank for igual a min(n, p),
2) Nos exemplos acima, a matriz A e de posto completo, enquanto que, a matriz B nao e de posto
completo.
3.3.3 Traco
Seja uma matriz quadrada A
kk
, entao o tra co de A, denotado por tr(A), e dado pela soma
dos elementos de sua diagonal principal
tr(A) =
k
i=1
a
ii
.
Exemplos:
A =
_
_
3 0 1
1 3 1
4 3 4
_
_
, tr(A) = 3 + 3 + 4 = 10.
B =
_
_
4 1 3
1 4 5
2 2 0
_
_
, tr(B) = 8.
Resultados
a) tr(c A) = c tr(A), d) tr(B
1
AB) = tr(A)
b) tr(AB) = tr(A) tr(B), e) tr(A
A) = tr(AA
) =
k
i=1
k
j=1
a
2
ij
c) tr(AB) = tr(BA),
3.4 Autovalores e autovetores
Considere a matriz A e os vetores u e v:
A =
_
3 2
1 0
_
u =
_
1
1
_
v =
_
2
1
_
15
Entao, as transformacoes operadas por A resultam em
Au =
_
3 2
1 0
_ _
1
1
_
=
_
5
1
_
Av =
_
3 2
1 0
_ _
2
1
_
=
_
4
2
_
= 2 v
Representando as transforma coes gracamente temos:
Figura 3.1: Transforma coes do tipo Ax.
Tomando como foco as transforma coes lineares do tipo
Ax = x, com constante,
temos transforma coes nas quais o vetor x tem seu tamanho expandido ou diminuido.
Nota: Toda transformacao linear de R
n
em R
m
pode ser representada por uma matriz mn.
Por exemplo, A =
_
_
1 1
1 2
1 1
_
_
aplicada no vetor x =
_
x
1
x
2
_
resulta em Ax =
_
_
x
1
+ x
2
x
1
+ 2x
2
x
1
x
2
16
Denicao 3.2 Autovetor
Um autovetor de uma matriz A
kk
e um vetor x, nao nulo, tal que A x = x, para algum
escalar
Denicao 3.3 Autovalor
Um escalar e chamado de autovalor de A se existe solucao nao trivial x para Ax = x
Notas:
1) Os valores e x e sao chamados autovalor e autovetor associado,
2) Normalmente, os autovetores sao dados na forma padronizada e, tal que e
e=1, em que
e
e =
x
|x|
=
x
x
.
Considere a transforma cao Ax = x, entao temos
Ax I x = (A I) x = 0.
A condicao para que Ax = x seja verdadeira e que o determinante de (A I) seja igual a
0, ou seja:
[A I[ = 0.
Nota: A equacao polinomial [Ax I[ = 0 e chamada funcao caracterstica de A.
Resultado: Seja A
kk
uma matriz quadrada, entao existem k autovalores
1
,
2
, . . . ,
k
que
satisfazem a equa cao polinomial [Ax I[ = 0. Assim sendo, existem k autovetores e
1
, e
2
, . . . , e
k
associados.
Exemplos:
i ) Seja a matriz:
A =
_
1 0
1 3
_
, entao
[A I[ =
(1 ) 0
1 (3 )
= (1 ) (3 ) = 0
3 4 +
2
= 0
1
=
4 +
16 12
2
= 3 e
2
=
4
16 12
2
= 1
Portanto, os autovalores de A sao
1
= 3 e
2
= 1.
17
Para encontrar os autovetores associados devemos fazer:
Autovetor e
1
associado ao autovalor
1
= 3:
Ax
1
=
1
x
1
_
1 0
1 3
_ _
x
11
x
12
_
= 3
_
x
11
x
12
_
_
x
11
= 3x
11
x
11
+ 3x
12
= 3x
12
Do sistema acima temos que x
11
= 0 e x
12
pode ser um valor arbitrario, o qual sera
considerado igual a 1. O primeiro autovetor e, portanto, x
1
= (0, 1).
Padronizando o autovetor x
1
temos
e
1
=
x
1
_
x
1
x
1
=
_
0
1
_
.
Autovetor e
2
2
= 1:
Ax
2
=
2
x
2
_
1 0
1 3
_ _
x
21
x
22
_
=
_
x
21
x
22
_
_
x
21
= x
21
x
21
+ 3x
22
= x
22
Da segunda equa cao temos x
21
= 2x
22
. Tomando x
22
= 1, entao x
21
ca igual a
x
21
= 2 e o segundo autovetor e, portanto, x
2
= (2, 1).
Padronizando o autovetor x
2
temos
e
2
=
x
2
_
x
2
x
2
=
1
5
_
2
1
_
=
_
2/
5
1/
5
_
.
ii ) Outro exemplo:
A =
_
3 4
1 6
_
, entao
(3 ) 4
1 (6 )
= 14 9 +
2
= 0
1
= 7
2
= 2
18
Autovetor e
1
1
= 7:
_
3x
11
+ 4x
12
= 7x
11
x
11
+ 6x
12
= 7x
12
11
= x
12
, portando, x
1
= (1, 1) e,
e
1
=
_
1/
2
1/
2
_
.
Autovetor e
2
2
= 2:
_
3x
21
+ 4x
22
= 2x
21
x
21
+ 6x
22
= 2x
22
21
= 4x
22
, portando, x
2
= (1, 1/4) e,
e
2
=
_
4/
17
1/
17
_
.
Resultados:
a) Seja A
pp
com autovalores
1
,
2
, . . . ,
p
, entao, os autovalores de A
A e AA
, denotados
por
1
,
2
, . . . ,
p
, serao os mesmos e
p
i=1
2
i
=
p
i=1
i
;
b) Se, alem disso, A for simetrica, com autovetores v
1
, v
2
, . . . , v
p
, A
A e AA
terao
autovalores
1
=
2
1
,
2
=
2
2
, . . . ,
p
=
2
p
e mesmos autovetores;
c) Os autovalores
1
,
2
, . . . ,
p
de A
A e AA
recebem o nome de valores singulares.

3.5 Matriz dos cofatores e matriz adjunta
i) Matriz dos Cofatores: Seja uma matriz quadrada A
pp
. Considere [A
ij
[ como sendo o
determinante da submatriz resultante ao se retirar a i-esima linha e j-esima coluna de A,
i, j = 1, 2, . . . , p. Entao a quantidade
(
ij
= (1)
i+j
[A
ij
[ ,
e denida como cofator do elemento a
ij
.
A matriz que se obtem substituindo-se cada termo a
i,j
de A pelo seu respectivo cofator e
19
chamada matriz dos cofatores de A e sera denotada por cof(A).
cof(A) =
_
_
(
11
(
12
(
1p
(
21
(
22
(
2p
.
.
.
.
.
.
.
.
.
.
.
.
(
p1
(
p2
(
pp
_
_
Casos especiais:
Matriz 22:
cof (A) =
_
a
22
a
21
a
12
a
11
_
.
Matriz 33:
cof (A) =
_
a
22
a
23
a
32
a
33
a
21
a
23
a
31
a
33
a
21
a
22
a
31
a
32
a
12
a
13
a
31
a
33
a
11
a
13
a
31
a
33
a
11
a
12
a
31
a
32
a
11
a
13
a
22
a
23
a
11
a
13
a
21
a
23
a
12
a
12
a
21
a
22
_
.
Exemplos:
a) Matriz 22:
A =
_
1 3
6 4
_
, cof(A) =
_
4 6
3 1
_
.
b) Matriz 33:
A =
_
_
3 0 1
1 2 1
3 3 4
_
_
.
(
11
= (1)
(1+1)
2 1
3 4
= 11, (
12
= (1)
(1+2)
1 1
3 4
= 1
(
13
= (1)
(1+3)
1 2
3 3
= 9.
20
Ainda, (
21
= 3, (
22
= 9, (
23
= 9, (
31
= 2, (
32
= 2 e (
33
= 6, logo
cof(A) =
_
_
11 1 9
3 9 9
2 2 6
_
_
ii) Matriz Adjunta: A matriz adjunta de uma matriz quadrada, denotada por adj(A), e a
transposta da matriz dos cofatores.
Caso especial: Matriz 22:
adj (A) =
_
a
22
a
12
a
21
a
11
_
.
Exemplos:
a) Matriz 22:
A =
_
1 3
6 4
_
, adj(A) =
_
4 3
6 1
_
.
b) Matriz 33:
A =
_
_
3 0 1
1 2 1
3 3 4
_
_
, adj(A) =
_
_
11 3 2
1 9 2
9 9 6
_
_
3.6 Matriz inversa
A inversa de uma matriz quadrada A, denotada por A
1
, e tal que: AA
1
= A
1
A = I.
Pode-se encontrar a inversa de uma matriz de uma maneira rapida por meio da relacao com
sua matriz adjunta
A
1
=
1
[A[
adj (A) ,
em que [A[ e o determinante da matriz A.
Caso especial: a inversa de uma matriz 22 e dada por
A =
_
a
11
a
12
a
21
a
22
_
, A
1
=
1
[A[
_
a
22
a
12
a
21
a
11
_
.
21
Exemplo:
A =
_
1 3
6 4
_
, A
1
=
1
14
_
4 3
1 2
_
.
O procedimento acima, apesar de simples, nao e pratico quando se tem matrizes com dimensoes
muito grandes. O metodo da diagonalizacao (ou pivoteamento), mais pratico, e mais indicado
messes casos.
O metodo do pivoteamento consiste em se colocar a matriz A ou lado da matriz identidade I, de
mesma dimensao, formando uma matriz estendida
_
A I
_
. Por meio de operacoes elementares
aplicadas nas linhas de
_
A I
_
, efetuar a diagonalizacao de A transformando-a numa matriz
identidade (as mesmas transforma coes devem ser aplicadas em I).
Apos a naliza cao do processo, tem-se à esquerda uma matriz identidade e à direita a matriz
inversa de A, ou seja,
_
I A
1
_
.
Exemplo: Encontrar a matriz inversa de A pelo metodo do pivoteamento.
A =
_
_
1 2 1 1
2 2 0 3
0 3 2 1
3 0 1 4
_
_
.
a) Montar a matriz estendida
_
A I
_
:
_
_
1 2 1 1 1 0 0 0
2 2 0 3 0 1 0 0
0 3 2 1 0 0 1 0
3 0 1 4 0 0 0 1
_
_
b) Multiplicar a primeira linha por (2) e somar à segunda linha e multiplicar a primeira linha
por (3) e somar à quarta linha:
_
_
1 2 1 1 1 0 0 0
0 2 2 1 2 1 0 0
0 3 2 1 0 0 1 0
0 6 4 1 3 0 0 1
_
_
22
c) Dividir a segunda linha por (2). Na sequencia, multiplicar a segunda linha por (3) e somar
à terceira linha e multiplicar a segunda linha por (6) e somar à quarta linha:
_
_
1 2 1 1 1 0 0 0
0 1 1 1/2 1 1/2 0 0
0 0 1 1/2 3 3/2 1 0
0 0 2 2 3 3 0 1
_
_
d) Multiplicar a terceira linha por (1). Na sequencia, multiplicar a terceira linha por (2) e
somar à quarta linha:
_
_
1 2 1 1 1 0 0 0
0 1 1 1/2 1 1/2 0 0
0 0 1 1/2 3 3/2 1 0
0 0 0 1 3 0 2 1
_
_
d) Multiplicar a quarta linha por (1/2) e somar à terceira linha; multiplicar a quarta linha por
(1/2) e somar à segunda linha e multiplicar a quarta linha por (1) e somar à primeira linha:
_
_
1 2 1 0 2 0 2 1
0 1 1 0 5/2 1/2 1 1/2
0 0 1 0 9/2 3/2 2 1/2
0 0 0 1 3 0 2 1
_
_
e) Multiplicar a terceira linha por (1) e somar às segunda e primeira linhas:
_
_
1 2 0 0 13/2 3/2 4 3/2
0 1 0 0 2 1 1 0
0 0 1 0 9/2 3/2 2 1/2
0 0 0 1 3 0 2 1
_
_
f) Multiplicar a segunda linha por (2) e somar à primeira linha, com o pivoteamento completo:
_
_
1 0 0 0 5/2 1/2 2 3/2
0 1 0 0 2 1 1 0
0 0 1 0 9/2 3/2 2 1/2
0 0 0 1 3 0 2 1
_
_
.
Portanto, a inversa de A e:
A
1
=
_
_
5/2 1/2 2 3/2
2 1 1 0
9/2 3/2 2 1/2
3 0 2 1
_
_
.
23
Resultados
(as matrizes A, B e C sao tais que as inversas existam e os produtos sejam denidos)
a) (A
1
)
= (A
)
1
;
b) (AB)
1
= B
1
A
1
;
c) (kA)
1
= (1/k)A
1
;
d) Se existe a inversa A
1
de uma matriz A, entao A
1
e unica.
3.7 Matriz nao singular
Uma matriz quadrada A
kk
e nao singular se:
Ax = 0 = x = 0.
Notas:
1) Note que Ax = a
1
x
1
+a
2
x
2
+ . . . +a
k
x
k
, onde a
i
e a i-esima coluna de A, i = 1, 2, . . . , k.
Portanto, uma matriz A
kk
e nao singular se as suas colunas forem linearmente independentes,
2) Uma matriz quadrada e de posto completo se, e so se, ela e nao singular,
3) Se A
kk
e nao singular, entao existe uma unica matriz inversa A
1
,
4) Se A
kk
e nao singular, entao [A[ = 1/[A
1
[, isto e [A[[A
1
[ = 1,
5) Para uma matriz A
kk
nao singular, os resultados a seguir sao equivalentes
Ax = 0 x = 0,
[A[ ,= 0,
Existe A
1
tal que, A
1
A = I.
3.8 Matriz ortogonal
Uma matriz quadrada e dita ser ortogonal se P
1
= P
, ou seja, uma matriz P

kk
e dita
ser ortogonal se suas colunas, consideradas como vetores, sao mutuamente perpendiculares e de
comprimento 1, o que equivale a dizer que PP
= I.
Exemplo:
P =
_
_
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
_
_
, entao PP
= I.
Nota: Uma matriz P e ortogonal, se e somente se, P
= P
1
.
Propriedades:
a) Sejam p
ij
, i, j = 1, 2, . . . , k, elementos de uma matriz ortogonal P, entao, 1 p
ij
1;
b) Se P e ortogonal = P e nao singular;
24
c) det(P) = 1;
d) Sejam P
1
, P
2
, . . ., P
k
ortogonais, entao o produto P
1
P
2
. . . P
k
e uma matriz ortogonal;
Teorema 3.1 Seja uma matriz quadrada A, e uma matriz orotogonal P, entao:
det(A) = det(P
AP)
Teorema 3.2 Seja uma matriz quadrada A, ent ao existe P ortogonal, tal que P
AP = D, D
diagonal, se, e so se, A e simetrica
Exemplo:
A =
_
1 0
4 1
_
det(A) = 24
P =
_
1
2

1
2
1
2
1
2
_
P
AP =
_
7 2
0 3
_
det(P
AP) = 24
3.9 Matriz denida positiva
Considere o produto x
Ax. Como temos apenas termos quadraticos x

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

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

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

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

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

25
3.10 Opera coes elementares
Operacoes elementares sao transformacoes aplicadas nas linhas e colunas de uma matriz, po-
dendo ser do tipo:
i) troca de 2 linhas (ou colunas);
ii) multiplicacao de uma linha (ou coluna) por um esclar;
iii) combinacoes lineares de linhas (ou colunas).
As operacoes elementares podem ser representadas por meio de matrizes que recebem o nome
de matrizes elementares. Por exemplo, considere o operador
P =
_
_
1 0 0
4 1 0
0 0 1
_
_
.
Operando numa matriz A
3k
, tem como resultado PA que preserva as linhas 1 e 3 e a segunda
linha dada por 4 vezes a linha 1 mais a linha 2.
Exemplo:
PA =
_
_
1 0 0
4 1 0
0 0 1
_
_
_
_
1 3 2 2
4 2 3 1
6 1 8 3
_
_
=
_
_
1 3 2 2
8 14 5 7
6 1 8 3
_
_
.
Resultados:
a) o rank de uma matriz nao e alterado pela aplicacao de operacoes elementares;
b) duas matrizes de mesmo rank e dimensoes sao ditas serem equivalentes;
c) duas matrizes equivalentes podem ser transformadas uma na outra por meio de opera coes
elementares
Sejam matrizes nao singulares P e Q, entao, para alguma matriz A, os produtos PA, AQ e
PAQ tem todas o mesmo rank.
3.11 Matrizes similares
Sejam A e B quadradas de mesmas dimensoes, se existe Q nao singular, tal que:
B = Q
1
AQ,
entao A e B sao chamadas de similares e a transformacao Q
1
AQ e chamada transformacao
similar.
26
Resultados:
i) Os determinantes de matrizes similares sao iguais; no caso, [A[ = [B[;
ii) Matrizes similares tem mesmos autovalores.
Exemplo 3.1 Sejam
A =
_
0.4 0.6
0.2 0.8
_
e Q =
_
1 1
1 3
_
.
Entao:
B =
_
3/4 1/4
1/4 1/4
__
0.4 0.6
0.2 0.8
__
1 1
1 3
_
=
_
1 1.6
0 0.2
_
.
Neste caso, [A[ = 0.2 = [B[.
Resultado: Seja A
kk
, entao existe uma matriz Q tal que Q
1
AQ = T, em que T e triangular
superior e os autovalores de A serao a diagonal de T.
Teorema 3.3 Se A
kk
e simetrica, ent ao, seus autovalores serao reais.
Teorema 3.4 Se A
kk
e simetrica, entao, para dois autovalores
i
e
j
, i ,= j, teremos autovetores
associados x
i
e x
j
e
x
T
i
x
j
= 0,
ou seja, x
i
e x
j
sao ortogonais.
Teorema 3.5 Se A
kk
e simetrica, ent ao existe uma matriz P tal que
P
T
AP = ,
em que e diagonal com os autovalores de A.
Exemplo 3.2 Seja
A =
_
16 4
4 10
_
.
Seus autovalores sao
1
= 18 e
2
= 8, com autovetores associados:
e
1
=
_
2/
5
1/
5
_
e e
1
=
_
1/
5
2/
5
_
,
logo, P =
_
2/
5 1/
5
1/
5 2/
5
_
Entao:
_
2/
5 1/
5
1/
5 2/
5
__
16 4
4 10
__
2/
5 1/
5
1/
5 2/
5
_
=
_
18 0
0 8
_
= .
27
4
Decomposicao de matrizes
4.1 Decomposicao espectral
Seja a matriz A
kk
, simetrica, entao A pode escrita por:
A =
k
i=1
i
e
i
e
i
.
Exemplo:
A =
_
2.2 0.4
0.4 2.8
_
, entao
1
= 3, e
1
=
_
1
5
2
5
_
;
2
= 2, e
2
=
_
2
5
1
5
_
.
Logo,
A = 3
_
1/
5
2/
5
_
_
1
5
,
2
5
_
+ 2
_
2/
5
1/
5
_
_
2
5
,
1
5
_
=
=
_
3/5 6/5
6/5 12/5
_
+
_
8/5 4/5
4/5 2/5
_
=
_
2.2 0.4
0.4 2.8
_
.
Vamos denir uma matriz U, ortogonal, cujas colunas sao formadas pelos autovetores e
1
, e
2
,
28
Decomposicao de matrizes Teoria de Matrizes para Estatstica
. . ., e
k
e, da mesma forma, uma matriz ortogonal V, tal que V = U
, ou seja
U =
_
e
1
[ e
2
[ . . . [ e
k
_
, e
V = U
=
_
_
e
1
e
2
.
.
.
e
k
_
_
.
Denindo, ainda, uma matriz diagonal formada pelos autovalores
1
,
2
, . . .,
k
, ou seja,
=
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
k
_
_
,
podemos escrever
A = U V ou A = U U
.
No caso 22, temos
U =
_
e
1
[ e
2
_
e =
_

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

1
0
0
2
_ _
e
1
e
2
_
=
1
e
1
e
1
+
2
e
2
e
2
.
Exemplo: No exemplo anterior temos
A =
_
2.2 0.4
0.4 2.8
_
, U =
_
1/
5 2/
5
2/
5 1/
5
_
e =
_
3 0
0 2
_
.
Casos especiais:
29
a) Matriz inversa: a inversa de uma matriz A
kk
, simetrica, pode ser obtida fazendo
A
1
=
k
i=1
1
i
e
i
e
i
,
ou ainda,
A
1
= U
1
U
.
b) Matriz raiz quadrada: a matriz raiz quadrada de uma matriz A
kk
, denida positiva, e
uma matriz tal que A
1/2
A
1/2
= A, podendo ser obtida de
A
1/2
=
k
i=1
_
i
e
i
e
i
,
ou, equivalentemente,
A
1/2
= U
1/2
U
,
em que
1/2
e dada por
1/2
=
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
k
_
_
.
Outras rela coes envolvendo a matriz raiz quadrada sao apresentadas a seguir:
A
1/2
= (A
1/2
)
1
= U
1/2
U
;
A
1/2
A
1/2
= A
1
.
Exemplo: Considere a matriz A =
_
2.2 0.4
0.4 2.8
_
,
entao, U =
_
1/
5 2/
5
2/
5 1/
5
_
e =
_
3 0
0 2
_
.
Desta forma, fazendo
1/2
=
_

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

3 0
0
2
_ _
1/
5 2/
5
2/
5 1/
5
_
A
1/2
=
_
(
3+4
2)
5
(2
32
2)
5
(2
32
2)
5
(4
3+
2)
5
_
.
30
A matriz A
1/2
e a matriz raiz quadrada de A sendo que, de fato
A
1/2
A
1/2
=
_
(
3+4
2)
5
(2
32
2)
5
(2
32
2)
5
(4
3+
2)
5
_ _
(
3+4
2)
5
(2
32
2)
5
(2
32
2)
5
(4
3+
2)
5
_
=
_
2.2 0.4
0.4 2.8
_
= A.
Agora, fazendo
1/2
=
_
1/
3 0
0 1/
2
_
, temos
A
1/2
=
_
1/
5 2/
5
2/
5 1/
5
_ _
1/
3 0
0 1/
2
_ _
1/
5 2/
5
2/
5 1/
5
_
A
1/2
=
_
_
_
1
5
3
+
4
5
2
_ _
2
5
3

2
5
2
_
_
2
5
3

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

r
V
r
,
em que U
r
= [u
1
[ u
2
[ [ u
r
] e V
r
= [v
1
[ v
2
[ [ v
r
], sao matrizes ortogonais e
r
e uma
31
matriz diagonal do tipo
r
=
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
r
_
_
.
Nessa situa cao,
1
,
2
, . . . ,
r
e u
1
, u
2
, . . . , u
r
, sao pares de autovalores e autovetores de AA
,
obtidos de
AA
u
i
=
i
u
i
,
em que
1
>
2
> . . . >
r
> 0, sao valores estritamente positivos.
Os vetores v
i
, por sua vez, estao relacionados aos autovetores u
i
, i = 1, 2, . . . , r, pela relacao
v
i
=
1
i
A
i
u
i
.
Alternativamente, v
i
, i = 1, 2, . . . , r, sao autovetores associados aos mesmos autovalores positi-
vos
1
>
2
> . . . >
r
> 0 de A
A.
Desta forma, a decomposicao em valores singulares pode ser escrita pela expressao
A = UV
,
com U, V e dadas pelas relacoes acima.
Exemplo: Seja A =
_
_
4 3
8 6
8 9
_
_
, entao, AA
e dada por
AA
=
_
_
4 3
8 6
8 9
_
_
_
4 8 8
3 6 9
_
=
_
_
25 50 5
50 100 10
5 10 145
_
_
.
Os autovalores diferentes de 0 de AA
sao
1
= 150 e
2
= 120 com autovetores associados,
u
1
=
_
_
1/
30
2/
30
5/
30
_
_
e u
2
=
_
_
1/
6
2/
6
1/
6
_
_
respectivamente.
32
Os vetores v
1
e v
2
, por sua vez, sao obtidos de
v
1
=
1
150
_
4 8 8
3 6 9
_
_
_
1/
30
2/
30
5/
30
_
_
=
_
2/
5
1/
5
_
,
v
2
=
1
120
_
4 8 8
3 6 9
_
_
_
1/
6
2/
6
1/
6
_
_
=
_
1/
5
2/
5
.
_
.
Assim sendo, a matriz A pode ser escrita como
A = UV
, ou seja,
=
_
_
1/
30 1/
6
2/
30 2/
6
5/
30 1/
6
_
_
_

150 0
0
120
_ _
2/
5 1/
5
1/
5 2/
5
_
.
=
_
_
4 3
8 6
8 9
_
_
33
5
Vetores aleatorios
5.1 Vetores aleatorios
Um vetor X
p1
, do tipo
X =
_
_
_
_
_
_
X
1
X
2
.
.
.
X
p
_
_
_
_
_
_
e um vetor aleatorio se X
1
, X
2
, . . . , X
p
forem variaveis aleatorias (vas).
Nota 5.1 Como um vetor aleatorio e uma representacao generalizada de uma variavel aleatoria,
aqui tambem iremos denota-los por va
Nota 5.2 Da mesma forma, uma matriz aleatoria e uma matriz cujos elementos sao vas
Exemplo 5.1 Num estudo sobre a qualidade do ar foram observadas as variaveis X
1
: radiacao
solar; X
2
: velocidade do ar; X
3
: temperatura e X
4
: concentracao de ozone.
Desta forma, essas variaveis formam um vetor aleatorio de dimensao 4, dado por
X =
_
_
_
_
_
_
X
1
X
2
X
3
X
4
_
_
_
_
_
_
A distribui cao de probabilidade conjunta de um vetor aleatorio e denida por

i) p(x) = p(x
1
, . . . , x
p
) = P(X
1
= x
1
, . . . , X
p
= x
p
), se X for composto por variaveis aleatorias
discretas e,
ii) f(x) = f(x
1
, . . . , x
p
), se X for composto por variaveis aleatorias contnuas.
34
Vetores aleatorios Teoria de Matrizes para Estatstica
As distribuicoes marginais das variaveis aleatorias X
1
, X
2
, . . . , X
p
sao calculadas por
i) Caso discreto
p
k
(x
k
) =
x
1
,...,x
p
x
i
=x
k
P(X
1
= x
1
, . . . , X
p
= x
p
), k = 1, 2, . . . , p,
ii) Caso contnuo
f
k
(x
k
) =
_
x
1
,...,x
p
x
i
=x
k
f(x
1
, . . . , x
p
)dx
1
. . . dx
p
, k = 1, 2, . . . , p.
Combina coes lineares de variaveis aleatorias
Em muitas aplicacoes estatsticas, especialmente no contexto multvariado, trabalha-se com com-
binacoes lineares de vas. Uma combinacao linear dos componentes de um vetor aleatorio pode ser
representada pelo produto interno entre um vetor de coecientes a e o vetor X.
Seja um vetor aleatorio X e um vetor de coecientes lineares a, entao, temos uma combinacao
linear dada por
Y = a
t
X =
p
i=1
a
i
X
i
= a
1
X
1
+ a
2
X
2
+ . . . + a
p
X
p
.
Exemplo 5.2 Considere o vetor X
t
= (X
1
, X
2
) e os coecientes a
t
= (1/2, 1/2), ent ao, a combi-
nacao linear
Y = a
t
X =
X
1
+X
2
2
,
representa a media entre X
1
e X
2

Considere, agora, vetor aleatorio X e k combinacoes lineares dadas pelos vetores de coecientes
a
1
, a
2
, . . . , a
k
, assim, temos que
_
_
Y
1
= a
t
1
X = a
11
X
1
+ a
12
X
2
+ . . . + a
1p
X
p
Y
2
= a
t
2
X = a
21
X
1
+ a
22
X
2
+ . . . + a
2p
X
p
.
.
.
.
.
.
Y
k
= a
t
k
X = a
k1
X
1
+ a
k2
X
2
+ . . . + a
kp
X
p
Agrupando as variaveis Y
1
, Y
2
, . . . , Y
k
num vetor aleatorio Y, os coecientes das combina coes
lineares devem ser dispostos como linhas numa matriz de coecientes A, ou seja
A =
_
_
a
t
1
a
t
2
.
.
.
a
t
k
_
_
.
35
Desta forma, as combina coes lineares sao escritas como
Y = AX =
_
_
a
t
1
X
a
t
2
X
.
.
.
a
t
k
X
_
_
.
Exemplo 5.3 Exemplos de aplica coes com diversas combinacoes lineares podem ser obtidas nas
analises mutivariadas de componentes principais ou correlacao canonica, entre outras
5.1.1 Valor esperado de um vetor aleatorio
O valor esperado de um vetor aleatorio X e denido por:
E(X) =
_
_
E(X
1
)
E(X
2
)
.
.
.
E(X
p
)
_
_
,
em que E(X
i
), i = 1, 2, . . . , p, e o valor esperado da i-esima va.
Normalmente o vetor de medias e denotado por , ou seja,
E(X) = =
_
2
.
.
.
p
_
_
,
sendo que E(X
i
) =
i
=
_
x
i
x
i
p
i
(x
i
), se x
i
for discreta e,
_
x
i
x
i
f
i
(x
i
), se x
i
for contnua.
Propriedades
a) Sejam um va X e um vetor de coecientes a, entao, a combina cao a
t
X tem valor esperado
E(a
t
X) = a
t
E(X).
b) Sejam as combinacoes lineares a
t
X e b
t
Y, com X e Y, entao
E(a
t
X+b
t
Y) = a
t
E(X) +b
t
E(Y).
c) Comsiderando k combinacoes lineares com uma matriz de coecientes A, temos
E(AX) = AE(X).
36
Da mesma forma, com dois conjuntos de combinacoes lineares A X e B Y tais que as dimen-
soes das matrizes envolvidas sejam compatveis, temos
E(AX+BY) = AE(X) +BE(Y).
Exemplo 5.4
a) Sejam X
t
= (X
1
, X
2
, X
3
) tal que E(X) = (2, 1, 1)
t
. Se a
t
= (4, 3, 3), entao,
a
t
X = 4X
1
+ 3X
2
+ 3X
3
e
E(a
t
X) =
_
4 3 3
_
_
_
2
1
1
_
_
= 8 3 + 3 = 8.
b) Com k = 4 combina coes lineares dadas pelos coecientes na matriz
A =
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
,
as combina coes lineares sao dadas por
_
_
Y
1
= 2X
1
X
2
+ X
p
3
Y
2
= X
1
/2 + X
3
Y
3
= X
1
+ 2X
2
+ X
3
Y
4
= X
1
+ X
2
+ 2X
3
logo, E(AX) =
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
_
_
2
1
1
_
_
=
_
_
6
2
1
1
_
5.1.2 Matriz de variancias-covariancias de um vetor aleatorio

Sejam X
1
e X
2
vas com
1
= E(X
1
) e
2
= E(X
2
). Entao, temos que suas respectivas
variancias sao calculadas por
2
1
= V ar(X
1
) = E[(X
1

1
)
2
] = E[(X
1

1
)(X
1

1
)] e
2
2
= V ar(X
2
) = E[(X
2

2
)
2
] = E[(X
2

2
)(X
2

2
)],
37
e, a covariancia entre X
1
e X
2
, por
12
= Cov(X
1
, X
2
) = E[(X
1

1
)(X
2

2
)].
No contexto multivariado, as quantidades acima sao representadas por uma matriz de variancias
e covariancias (matriz var-cov) denotada por
=
_

2
1

12
12

2
2
_
.
Nota 5.3 Observe que a matriz e simetrica cuja diagonal e composta pelas variancias das va-
riaveis aleatorias e os elementos fora da diagonal pelas covariancias entre essas vari aveis
Considere o vetor aleatorio X composto pelas vas X
1
, X
2
, . . . , X
p
, tal que E(X) = , entao, a
matriz var-voc de X e denida por
XX
= Cov(X) = E[(X)(X)
t
]
XX
= E
_
_
_
_
_
_
_
_
(X
1

1
)
(X
2

2
)
.
.
.
(X
p

p
)
_
_
_
(X
1

1
) (X
2

2
) . . . (X
p

p
)
_
_
_
_
_
_
_
XX
= E
_
_
(X
1

1
)
2
(X
1

1
)(X
2

2
) . . . (X
1

1
)(X
p

p
)
(X
2

2
)(X
1

1
) (X
2

2
)
2
. . . (X
2

2
)(X
p

p
)
.
.
.
.
.
.
.
.
.
.
.
.
(X
p

p
)(X
1

1
) (X
p

p
)(X
2

2
) . . . (X
p

p
)
2
_
XX
=
_
_
E[(X
1

1
)
2
] E[(X
1

1
)(X
2

2
)] . . . E[(X
1

1
)(X
p

p
)]
E[(X
2

2
)(X
1

1
)] E[(X
2

2
)
2
] . . . E[(X
2

2
)(X
p

p
)[
.
.
.
.
.
.
.
.
.
.
.
.
E[(X
p

p
)(X
1

1
)] E[(X
p

p
)(X
2

2
)[ . . . E[(X
p

p
)
2
]
_
_
.
Ou seja, a matriz var-cov de X e da forma:
XX
= Cov(X) =
_
2
11

12
. . .
1p
12

2
22
. . .
2p
.
.
.
.
.
.
.
.
.
.
.
.
1p

2p
. . .
2
pp
_
_
.
38
Propriedades
a) Seja o vetor aleatorio X, tal que Cov(X) =
XX
e a combinacao linear a
t
X. A variancia de
a
t
X e dada por
V ar(a
t
X) = a
t
XX
a.
Prova:
V ar(a
t
X) = E[(a
t
Xa
t
)(a
t
Xa
t
)
t
]
= E[(a
t
Xa
t
)(X
t
a
t
a)]
= E[a
t
(X)(X
t
t
)a]
= a
t
E[(X)(X)
t
]a
= a
t
XX
a
Ainda: V ar(a
t
X+b) = a
t
XX
a.
b) Considerando k combinacoes lineares com matriz de coecientes A, temos
Cov(AX) = ACov(X)A
t
= A
XX
A
t
.
c) Sejam os vetor aleatorio X e Y com vetores de medias
X
e
Y
, respectivamente. A matriz
var-cov Cov(X, Y) e denida por
Cov(X, Y) = E[(X
X
)(Y
Y
)
t
] =
XY
.
De (a) e (b) segue-se que:
i) para duas combinacoes lineares a
t
X e b
t
Y,
Cov(a
t
X, b
t
Y) = a
t
XY
b;
ii) para dois grupos de combina coes lineares AX e BY, com dimensoes compatveis,
Cov(AX, BY) = A
XY
B
t
.
Obs: A matriz
XY
nao e necessariamente quadrada.
d) Dadas duas combina coes lineares a
t
X e b
t
Y, entao, a variancia de a
t
X+b
t
Y e
V ar(a
t
X+b
t
Y) = a
t
XX
a +b
t
YY
b + 2a
t
XY
b,
em que
XX
= Cov(XX),
YY
= Cov(Y) e
XY
= Cov(X, Y).
39
Exemplo 5.5
i) No exemplo (5.4), seja a matriz var-cov de X
XX
=
_
_
4 2 2
2 7 3
2 3 6
_
_
,
ent ao, dada a combina cao linear Y = a
t
X, em que a
t
= (4, 3, 3), tem-se
V ar(Y) = ( 4 3 3 )
_
_
4 2 2
2 7 3
2 3 6
_
_
_
_
_
4
3
3
_
_
_
= 235.
ii) Ainda, dada a matriz de coecientes A =
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
, tal que Y = A X, a matriz
Cov(Y) e dada por
YY
=
_
_
2 1 1
0.5 0 1
1 2 1
1 1 2
_
_
_
_
4 2 2
2 7 3
2 3 6
_
_
_
_
2 0.5 1 1
1 0 2 1
1 1 1 2
_
_
=
_
_
39 13 3 6
13 9 15 12
3 15 46 41
6 12 41 43
_
5.1.3 Matriz de correlacoes de um vetor aleatorio

A correlacao entre duas vas X
i
e X
j
, i, j = 1, 2, . . . , p, e calcular por
ij
= Cor(X
i
, Y
j
) =

ij
_
2
i

2
j
,
desta forma, a matriz de correlacoes de um va X e dada por
XX
=
_
_
1
12

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

p2
1
_
_
.
Contudo, dado um va X, entretanto, a matriz de correla coes pode ser obtida a partir de sua
matriz var-cov
XX
. Tomando a diagonal de
XX
numa matriz V e extraindo a raiz quadrada,
40
temos
V
1/2
=
_
diag(
XX
) =
_
_
_
2
1
0 0
0
_
2
2
0
.
.
.
.
.
.
.
.
.
0
0 0
_
2
p
_
_
.
Desta forma, a matriz
XX
e dada pela rela cao
XX
= (V
1/2
)
1
XX
(V
1/2
)
1
,
ou ainda,
XX
= V
1/2
XX
V
1/2
.
A matriz de covariancias e, portanto, obtida da rela cao
XX
= V
1/2
XX
V
1/2
.
Exemplo 5.6
i) No exemplo (5.5, i), em que
XX
=
_
_
4 2 2
2 7 3
2 3 6
_
_
, a matriz V
1/2
X
e dada por
V
1/2
X
=
_
_
1/
4 0 0
0 1/
7 0
0 0 1/
6
_
_
.
Desta forma, a matriz de correlacoes do v.a. X e
XX
= V
1/2
X

XX
V
1/2
X
=
_
_
1.0000 0.3780 0.4082
0.3780 1.0000 0.4629
0.4082 0.4629 1.0000
_
_
.
ii) Considerando, ainda, o vetor de combinacoes lineares Y de (5.5, ii), a matriz
YY
e dada
por
YY
= V
1/2
Y

YY
V
1/2
Y
=
_
_
1.0000 0.6939 0.0708 0.1465
0.6939 1.0000 0.7372 0.6100
0.0708 0.7372 1.0000 0.9219
0.1465 0.6100 0.9219 1.0000
_
_
.
41
iii) Para calcular a correlacao entre os v.a.s X e Y temos que fazer:
XY
= Cov(X, AX) = E[(X
X
)(AXA
X
)
t
]
= E[(X
X
)(X
t
A
t
t
X
A
t
)]
= E[(X
X
)(X
t
t
X
)A
t
]
= E[(X
X
)(X
X
)
t
]A
t
=
XX
A
t
.
Neste caso, com
XX
e A dados no exemplo (5.5), temos
XY
=
_
_
4 2 2
2 7 3
2 3 6
_
_
_
_
2 0.5 1 1
1 0 2 1
1 1 1 2
_
_
=
_
_
12 4 2 2
8 2 15 15
7 7 14 13
_
_
.
Logo, a matriz de correlacoes entre X e Y e dada por
XY
= V
1/2
X

XY
V
1/2
Y
=
_
_
0.2864 0.6667 0.1525 0.1474
0.1443 0.2520 0.8646 0.8359
0.1364 0.9526 0.8716 0.7825
_
_
O resultado acima ser a mostrado a partir de v.a. particionados
5.1.4 Vetores aleatorios particionados
Seja um vetor aleatorio X particionado em dois grupos X
(1)
e X
(2)
,
X =
_
X
(1)
X
(2)
_
.
entao, o vetor de medias e dado por
X
= E(X) =
_
E(X
(1)
)
E(X
(2)
)
_
=
_

(1)
(2)
_
.
Assim sendo, a matriz de variancias e covariancias de X e denida por
XX
=
_
Cov(X
(1)
) Cov(X
(1)
, X
(2)
)
Cov(X
(2)
, X
(1)
) Cov(X
(2)
)
_
=
_

X
11
X
12
t
X
12
X
22
_
.
Considerando dois grupos de combina coes lineares Y
(1)
= AX
(1)
e Y
(2)
= BX
(2)
, entao, pode-
42
mos escrever
Y =
_
Y
(1)
Y
(2)
_
=
_
A 0
0 B
__
X
(1)
X
(2)
_
.
Denindo a matriz C como
C =
_
A 0
0 B
_
,
entao teremos Y = CX
a) Vetor de medias de uma combina cao linear de um v.a. particionado:
E(Y) = E(CX)
=
_
A 0
0 B
__
E(X
(1)
)
E(X
(2)
)
_
=
_
AE(X
(1)
)
BE(X
(2)
)
_
=
_

(1)
Y
(2)
Y
_
.
b) Matriz var-cov de uma combinacao linear de um v.a. particionado
YY
= Cov(Y) = Cov(CX)
= C
XX
C
t
=
_
A 0
0 B
__

X
11
X
12
t
X
12
X
12
__
A 0
0 B
_
t
=
_
A
X
11
A
t
A
X
12
B
t
B
t
X
12
A
t
B
X
22
B
t
_
43
YY
= Cov(Y) =
_

Y
11
Y
12
t
Y
12
Y
22
_
.
c) Matriz de correlacoes de uma combina cao linear de um v.a. particionado: Extraindo a
diagonal de
YY
, particionada, teremos duas matrizes V
Y
1
=
_
diag(
Y
11
) e V
Y
2
=
_
diag(
Y
22
), tal que
V
Y
=
_
V
Y
1
0
0 V
Y
2
_
.
Portanto, a matriz de correla coes do vetor de combinacoes lineares particionado Y = CX e
dado por
YY
= V
1/2
Y

YY
V
1/2
Y
=
_
V
1/2
Y
1
0
0 V
1/2
Y
2
__

Y
11
Y
12
t
Y
12
Y
22
__
V
1/2
Y
1
0
0 V
1/2
Y
2
_
=
_
V
1/2
Y
1
Y
11
V
1/2
Y
1
V
1/2
Y
1
Y
12
V
1/2
Y
2
V
1/2
Y
2
t
Y
12
V
1/2
Y
1
V
1/2
Y
2
Y
22
V
1/2
Y
2
_
=
_

Y
11
Y
12
t
Y
12
Y
22
_
.
44

Teoria Matrizes

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Teoria Matrizes

Uploaded by

Copyright:

Available Formats

Departamento de Estatstica

Universidade Federal de Sao Carlos

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

w ou (u+v),w = u,w + v,w;

(k u), ou kv,u = k v,u = v, ku k = escalar;

= (0.8, 0.6), entao

= (0.64, 0.36), tem comprimento 1, por isso e chamado de vetor unitario.

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

Proje cao de u sobre v:

iii ) Multiplica cao de matrizes: o produto de duas matrizes A

[A[ = (2) (1)

recebem o nome de valores singulares.

, ou seja, uma matriz P

Ax. Como temos apenas termos quadraticos x

Ax recebe o nome de forma quadratica.

Ax > 0, x nao nulo,

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

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

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

A distribui cao de probabilidade conjunta de um vetor aleatorio e denida por

5.1.2 Matriz de variancias-covariancias de um vetor aleatorio

5.1.3 Matriz de correlacoes de um vetor aleatorio

You might also like