Escolar Documentos
Profissional Documentos
Cultura Documentos
8 INFERNCIA ESTATSTICA
Alguns conceitos breves sobre aspectos inferenciais em contexto
multivariado.
Problemas tradicionais
Estimao de mdia populacional
Estimao de vector mdio populacional, .
Estimao de varincia populacional
Estimao de matriz de (co)varincias populacional, .
Problemas ligados a tcnicas multivariadas
Aspectos distribucionais de valores/vectores prprios numa ACP;
Anlises Discriminantes com distribuies para cada classe;
MANOVA
etc., etc.
X = (X1 , X2 , ..., Xp )t ,
(X1 , X2 , ..., Xn ) .
Definio 8.1
Seja X = (X1 , X2 , ..., Xp )t um vector aleatrio. Define-se (admitindo que
existem os valores esperados, varincias e covarincias indicados):
1 O vector esperana de X, E [X], cuja componente i E [Xi ].
2 A matriz de varincias-covarincias de X, V [X], de elemento
genrico V [X]ij = Cov(Xi , Xj ) , (i = 1 : p, j = 1 : p)
(Os elementos diagonais so as varincias V [Xi ]).
3 Dado um segundo vector aleatrio Y = (Y1 , Y2 , ..., Yk ), define-se a
matriz de covarincias cruzadas entre X e Y, C[X, Y] como a
matriz cujo elemento genrico C[X, Y]ij = Cov(Xi , Yj ) ,
(i = 1 : p, j = 1 : k).
Definio 8.2
Seja Y um vector aleatrio n-dimensional. Diz-se que Y tem
distribuio Multinormal, com parmetros dados pelo vector e a
matriz (definida positiva) se a sua funo densidade conjunta fr:
1 1
e 2 (y ) (y )
1 t
fY (y) = p , y Rn
(2 )n/2 )
det(
y
x
Teorema 8.1
Seja Y Nn ( ,
), ento:
1 E [Y] = e V [Y] = .
2 Distribuies marginais de Y so tambm multinormais.
. . .
3 Seja Y = [ Yt1 .. Yt2 .. ..Ytr ]t Nn ( ,
). Os subvectores Yi e Yj
so independentes se e s se a submatriz de V [Y] =
correspondente fr constituda apenas por zeros.
4 Combinaes lineares das componentes dum vector multinormal
so Normais: at Y N (at , at a).
5 Se Cpn matriz de caracterstica p n, e ap+1 um vector
(no-aleatrio), ento CY + a Np (C + a, C
Ct ).
6 Q = (Y )t 1 (Y ) (n)
2 .
Xi Np ( ,
) .
(x )t n
1 (x ) 2 (p) .
(x x0 )t C1 (x x0 ) = k
(x x0 )t C1 (x x0 ) = k
1
k 1 0 ... 0 0
1
0
k 2 ... 0 0
t t . .. .. .. .. t
P (x x0 ) . . P (x x0 ) = 1
. . . .
0 1
0 ... k p1 0
1
0 0 ... 0 k p
p (xi x0i )2
Se P = I, fica k i = 1: elipside alinhado com eixos.
i=1
Se P 6= I: P induz uma rotao (rgida) em relao origem.
J. Cadima (DM/ISA) Estatstica Multivariada 2009-10 190 / 218
Regio de confiana em R2
Regiao de confianca para
confianca =
2.4
0.95
2.3
x
2
2.2
2.1
S = 1
n1 Xt (In P1n )X
E [S] = .
Teorema 8.2
Seja Xnp uma matriz aleatria cujas linhas so vectores aleatrios
).
com distribuio Xi Np (0,
t
Seja M = X X. Ento
, n) .
M Wp (
Xt CX Wp (
, r ) com r = tr(C) = car (C) .
(n 1)S , n 1) .
Wp (
Bt AB Wq (Bt B, n) .
bt Ab
n2 .
bt b
, n1 ) e A2 Wp (
Se A1 Wp ( , n2 ), com A1 e A2 independentes,
, n1 + n2 ) .
A1 + A2 Wp (
Teorema 8.4
Seja y um vector aleatrio com distribuio Np ( ,
). Seja m App
, m). Se y e A forem
uma matriz aleatria com distribuio Wp (
independentes, ento:
mp+1
(y )t A1 (y ) F(p,mp+1) .
mp
Corolrio
Seja Xnp uma matriz aleatria cujas n linhas tm distribuio
Xi N ( ,
) (i = 1, ..., n). Ento
np
n (x )t S1 (x ) F(p,np)
(n 1)p | {z }
Estatistica T 2 de Hotelling
(vem de n X Np ( n ,
) e (n 1)S Wp (
, n 1)).
p(n 1)
(x )t S 1 (x ) f (p,np) .
(n p)n
(p, m, n) .
(I + A1 B)x = x + A1 Bx = x + x = (1 + )x .
1 1
= = ,
det(Ip + A1 B) p
(1 + i )
i=1
Xnp = Cnk Bk p + np ,
| {z } | {z } | {z } | {z}
matriz resposta aleatoria matriz do modelo matriz coeficientes erros aleatorios
com C = I1 | I2 | I3 | ... | Ik a matriz cujas k colunas so as indicatrizes
de cada um dos k nveis do factor.
1 = 2 = 3 = ... = k Rp .
Admite-se que
As linhas da matriz X so observaes independentes.
em cada nvel do factor tem-se distribuio Multinormal:
Xij Np ( i ,
i ) ,
1 = 2 = ... = k .
H0 : 1 = 2 = ... = k
Nesse caso, todas as observaes Xij so identicamente distribudas:
Xij Np ( ,
) .
Nesse caso, sabemos que um estimador centrado de S e
(n 1)S = T , n 1) .
Wp (
, ni 1) ,
(ni 1) Si Wp ( i = 1, ..., k .
k
(n k) Sconj = (ni 1)Si a soma de k Wishart, com comum.
i=1
Os k estimadores Si so independentes (baseiam-se em conjuntos
diferentes de observaes independentes).
Logo,
(n k) Sconj = W Wp ( , n k) .
T = (n 1) S = Xt (In P1n )X
W = (n k) Sconj = Xt (In PC )X
p
det(W ) 1 1
=
det(W + B)
=
det(In + W 1 B)
= 1 + i ,
i=1
B = Xt (PC P1n ) X , k 1) .
Wp (
Teorema de Craig
Seja dada uma matriz aleatria Xnp cujas linhas so vectores
aleatrios i.i.d. com distribuio Np ( ,
). Sejam C1 e C2 matrizes
(no aleatrias e de dimenso n n) simtricas. Ento Xt C1 X e Xt C2 X
so independentes se C1 C2 = 0.
Estatstica do Teste:
det(W ) 1
== = p
(p, n k, k 1) ,
det(W + B)
(1 + i )
i=1
com
W = Xt (In PC )X;
B = Xt (PC P1n )X;
i (i = 1, ..., p) valores prprios de W 1 B.
J. Cadima (DM/ISA) Estatstica Multivariada 2009-10 210 / 218
Teste MANOVA (cont.)