Matriz de covariância

Em estatística e em teoria das probabilidades, matriz de covariância é uma matriz, simétrica, que sumariza a covariância entre N variáveis.

Definição

Se os elementos de um vetor coluna

X = [ X 1 X 2 X n ] {\displaystyle X={\begin{bmatrix}X_{1}\\X_{2}\\\vdots \\X_{n}\end{bmatrix}}}

forem variáveis aleatórias, cada uma com variância finita, então a matriz de covariância será a matriz cujo elemento (ij) é a covariância

Σ i j = c o v ( X i , X j ) = E [ ( X i μ i ) ( X j μ j ) ] {\displaystyle \Sigma _{ij}=\mathrm {cov} (X_{i},X_{j})=\mathrm {E} {\begin{bmatrix}(X_{i}-\mu _{i})(X_{j}-\mu _{j})\end{bmatrix}}}

em que

μ i = E ( X i ) {\displaystyle \mu _{i}=\mathrm {E} (X_{i})\,}

é o valor esperado do i-ésimo elemento do vetor X. Em outras palavras, temos

Σ = [ E [ ( X 1 μ 1 ) ( X 1 μ 1 ) ] E [ ( X 1 μ 1 ) ( X 2 μ 2 ) ] E [ ( X 1 μ 1 ) ( X n μ n ) ] E [ ( X 2 μ 2 ) ( X 1 μ 1 ) ] E [ ( X 2 μ 2 ) ( X 2 μ 2 ) ] E [ ( X 2 μ 2 ) ( X n μ n ) ] E [ ( X n μ n ) ( X 1 μ 1 ) ] E [ ( X n μ n ) ( X 2 μ 2 ) ] E [ ( X n μ n ) ( X n μ n ) ] ] {\displaystyle \Sigma ={\begin{bmatrix}\mathrm {E} [(X_{1}-\mu _{1})(X_{1}-\mu _{1})]&\mathrm {E} [(X_{1}-\mu _{1})(X_{2}-\mu _{2})]&\cdots &\mathrm {E} [(X_{1}-\mu _{1})(X_{n}-\mu _{n})]\\\\\mathrm {E} [(X_{2}-\mu _{2})(X_{1}-\mu _{1})]&\mathrm {E} [(X_{2}-\mu _{2})(X_{2}-\mu _{2})]&\cdots &\mathrm {E} [(X_{2}-\mu _{2})(X_{n}-\mu _{n})]\\\\\vdots &\vdots &\ddots &\vdots \\\\\mathrm {E} [(X_{n}-\mu _{n})(X_{1}-\mu _{1})]&\mathrm {E} [(X_{n}-\mu _{n})(X_{2}-\mu _{2})]&\cdots &\mathrm {E} [(X_{n}-\mu _{n})(X_{n}-\mu _{n})]\end{bmatrix}}}

A covariância entre um elemento X i {\displaystyle X_{i}} e ele mesmo é a sua variância e forma a diagonal principal da matriz. A inversa desta matriz, Σ 1 {\displaystyle \Sigma ^{-1}} , é chamada matriz de covariância inversa ou matriz de precisão.[1]

Generalização do conceito

A definição acima é equivalente à multiplicação do vetor coluna pela sua transposta

Σ = E [ ( X E [ X ] ) ( X E [ X ] ) ] {\displaystyle \Sigma =\mathrm {E} \left[\left({\textbf {X}}-\mathrm {E} [{\textbf {X}}]\right)\left({\textbf {X}}-\mathrm {E} [{\textbf {X}}]\right)^{\top }\right]}

Propriedades

  • Todas as matrizes de covariância são positivas semi definidas.

Ver também

Notes

  1. Larry Wasserman (2004). Tudo sobre Estatística: Um Curso Conciso sobre Inferência Estatística. [S.l.: s.n.] 

Referências

  • KAMPEN, N.G. van. Processos Estocásticos em Física e Química. New York: North-Holland, 1981.
  • «Um Manual de Estatística» 
  • «Mean Vector and Covariance Matrix» 
  • «Covariance, variance and correlation» (PDF) 
  • «Covariance matrix» 
  • «Covariance and Correlation» 
  • v
  • d
  • e
Classes de matriz
Elementos explicitamente restritos
Constante
Condições sobre
autovalores e autovetores
Satisfazendo condições
sobre produtos ou inversas
Com aplicações específicas
Usada em estatística
  • Bernoulli
  • Centro
  • Correlação
  • Covariância
  • Dispersão
  • Duplamente estocástica
  • Informação de Fisher
  • Projeção
  • Precisão
  • Estocástica
  • Transição
Usada em teoria dos grafos
Usada em ciência e engenharia
Termos relacionados
  • Categoria:Matrizes
  • Portal de probabilidade e estatística