Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula Distr Multivariada
Aula Distr Multivariada
_
E(Y
1
)
E(Y
2
)
.
.
.
E(Y
p
)
_
_
=
_
2
.
.
.
p
_
_
Matriz de covariancias: = Cov(Y) =
_
2
1
12
...
1p
12
2
2
...
2p
.
.
.
.
.
.
.
.
.
.
.
.
1p
2p
...
2
p
_
_
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Funcao geradora de momentos:
M
Y
(t) =
_
_
. . .
_
_
_
_
e
y
t
f
Y
(y)dy
1
_
dy
2
_
. . .
_
dy
p
Funcao caracterstica:
Y
(t) =
_
_
. . .
_
_
_
_
e
i y
t
f
Y
(y)dy
1
_
dy
2
_
. . .
_
dy
p
Sejam A e B matrizes nao aleatorias, entao
E(AY) = AE(Y).
Cov(AY, BX) = ACov(Y, X)B
.
Cov(AY) = ACov(Y)A
.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Distribuicao Normal multivariada
Dizemos que Y = (Y
1
, ..., Y
p
) N
p
(, ) se sua fdp e dada por
f
Y
(y) = ||
1/2
(2)
p/2
exp
_
1
2
(y )
1
(y )
_
11
R
p (y)
e o vetor de medias e e a matriz de covariancias.
M
Y
(t) = exp
_
t +
1
2
t
t
_
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Propiedades
Fechada sob marginalizacao: Y
i
N(
i
,
2
i
).
Y
i
Y
j
, i = j
ij
= 0.
Se A
(qp)
for uma matriz nao aleatoria, entao
V = AY N
q
(A, AA
).
Se A
(pp)
for uma matriz nao aleatoria, simetrica e idempotente de
rank = p, = 0 e =
2
I
(pp)
, entao
V =
1
2
Y
AY
2
r
, r = tr (A). Em particular, se A = I, entao
1
2
Y
Y
2
p
.
Se A
(pp)
for uma matriz nao aleatoria, entao
E(Y
AY) = tr (A) +
A.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Derviadas matriciais uteis
Sejam A
(mn)
e x
(n1)
, entao
Ax
x
= A
A
x
= A
x
x
x
= 2x
x
Ax
x
= (A +A
)x
(1)
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Dem. de que f
Y
(.) e uma fdp
Queremos demonstrar que
I =
_
R
p
f
Y
(y)dy =
_
R
_
R
...
_
R
f
Y
(y)dy = 1
Note que, se =
1
2
(y )
_
1
(y )
_
dy
=
_
R
p
||
1/2
(2)
p/2
exp
_
1
2
_
1
(y )
()
1
(y )
_
dy
considere a transforma cao z =
1
(y ) y = z +. Assim,
temos que dy =
dz e |J| = |
|.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Alem disso,
|
| = |
|
1/2
|
|
1/2
= ||
1/2
|
|
1/2
= |
|
1/2
= ||
1/2
Assim,
I =
_
R
p
||
1/2
||
1/2
(2)
p/2
exp
_
1
2
z
z
_
dz
=
p
i =1
_
R
1
2
exp
_
1
2
z
2
i
_
dz
i
. .
1
= 1
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Obtencao das Marginais
Note que, para um dado j , M
Y
j
(t
j
) = M
Y
(t
), em que
t
= [0 0... 1
..
posi cao j
...0 0].
Logo, temos que M
Y
j
(t
j
) = exp
_
j
t
j
+
2
j
t
2
_
.
A fgm acima corresponde `a fgm de uma va com distribuicao
N(
j
,
2
j
).
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Distribuic oes condicionais
Seja Y = (Y
1
, Y
2
), = (
1
,
2
) e
=
_
_
11
12
21
22
_
_
em que
21
=
12
Entao Y
1
|Y
2
= y
2
N(, ), em que
=
1
+
12
1
22
(y
2
2
) ; =
11
12
1
22
21
Estimadores de maxima verossimilhanca (dada uma amostra
aleatoria) = Y =
1
n
n
i =1
Y
i
e
=
1
n
n
i =1
_
Y
i
Y
_
_
Y
i
Y
_
.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada