Qual o papel da matriz de covariância em modelos multivariados na separação de variáveis correlacionadas?

Quantificar as correlações entre variáveis para identificar direções (componentes) que permitem separar sinais independentes.

Explicação:
A matriz de covariância \( \Sigma=\mathrm{Cov}(X) \) mede como pares de variáveis variam conjuntamente, permitindo que técnicas multivariadas (ex.: PCA) encontrem vetores próprios \(v\) tais que \( \Sigma v=\lambda v\).
Projetando os dados nestes vetores próprios obtém-se componentes que realçam variações físicas relevantes e isolam efeitos correlacionados ou sistemáticos.

Exemplo:
Considere imagens multiespectrais com duas bandas; a matriz de covariância pode ser
\( \Sigma=\begin{pmatrix}1 & 0.8\\[4pt]0.8 & 1\end{pmatrix} \).
Suas auto‑valores e auto‑vetores são \( \lambda_1=1.8,\; \lambda_2=0.2 \) e
\( v_1=\frac{1}{\sqrt{2}}\begin{pmatrix}1\\[4pt]1\end{pmatrix},\; v_2=\frac{1}{\sqrt{2}}\begin{pmatrix}1\\[4pt]-1\end{pmatrix} \).
Projetando os dados em \(v_1\) obtém‑se um componente que realça o sinal comum (ex.: superfície), enquanto \(v_2\) isola contrastes entre bandas (ex.: artefatos atmosféricos), facilitando a separação de sinais correlacionados.