Documente Academic
Documente Profesional
Documente Cultură
1. Distribuci
on Normal Multivariante
1.1. Distribucion normal multivariante. Aspectos probabilsticos . . .
1.1.1. Definicion. Media y matriz de covarianzas . . . . . . . . .
1.1.2. Algunas propiedades. Tipificacion. Funcion caracterstica
1.1.3. Caracterizacion de la ley normal . . . . . . . . . . . . . .
1.1.4. Distribuciones marginales y condicionadas . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
3
4
5
6
Captulo 1
Distribuci
on Normal Multivariante
1.1.
1.1.1.
Distribuci
on normal multivariante. Aspectos probabilsticos
Definici
on. Media y matriz de covarianzas
Hay varias formas de introducir la ley Normal Multivariante. Nosotros lo haremos a partir de la
funcion de densidad. Comenzaremos con el caso definido positivo.
un
Definici
on 1.1.1. Un vector aleatorio X = (X1 , . . . , Xp ) que toma valores en Rp se distribuye seg
una ley normal normal p-variante si su densidad es de la forma
(
)
1
1
f (x) =
(x ) (x ) , x = (x1 , . . . , xp ) Rp
p
1 exp
2
(2) 2 | | 2
1
(1.1)
)
(
cij yj de donde
tamos g 1 (y) = g11 (y1 , . . . , yp ), . . . , gp1 (y1 , . . . , yp ) , entonces gi1 (y1 , . . . , yp ) =
j=1
gi1 (y1 , . . . , yp )
= cil , i, l = 1, . . . , p, por lo que J =| C1 |=| C |1 . Aplicando el teorema de cambio
yl
de variable, y teniendo en cuenta que la funcion g transforma Rp en Rp se con
cluye el resultado
Teorema 1.1.1. La funci
on (1.1) es una densidad. Adem
as E[X] = y Cov[X] = .
Demostracion. En primer lugar, f (x) 0, x Rp pues | |> 0. Por otro lado, como > 0 entonces
Cpp no singular tal que = CC . Sea el cambio de variable Y = C1 X. A partir del lema anterior
3
1
1
1
(x ) (x ) dx
p
1 exp
2
Rp (2) 2 | | 2
(
)
1
| |2
1
1 1
=
(Cy ) C C (Cy ) dy
p
1 exp
2
Rp (2) 2 | | 2
(
)
1
1
1 1 1
1
(y C ) C C C C(y C ) dy
=
p exp
2
Rp (2) 2
(
)
1
1
=
(y ) (y ) dy
p exp
2
Rp (2) 2
)
(
1
1
2
=
donde = C1
exp (yi i ) dyi = 1
2
2
i=1 R
A partir del calculo anterior se deduce que el vector Y tiene por densidad
(
)
1
1
(y ) (y )
p exp
2
(2) 2
y de la u
ltima integral se deduce, integrando en Rp1 , que las marginales son normales unidimensionales N1 [i ; 1] y ademas son independientes. Con ello, E[yi ] = i , i = 1, . . . , p, de donde E[Y] = y
as
1
E[X] = E[CY] = C = CC = .
Ademas, Cov[yi , yj ] = ij , i, j = 1, . . . , p, por lo que Cov[Y] = Ip . As
Cov[X] = Cov[CY] = C Cov[Y]C = CC =
1.1.2.
El primer resultado que mostramos presenta dos partes: en la primera se generaliza la propiedad de
independencia de las componentes del vector normal (ya implcita en una version mas simple en la
verificacion de la densidad normal), mientras que en la segunda se observa como se comporta esta
distribucion frente a cambios lineales no singulares.
Teorema 1.1.2. Sea X
Np [; ] con > 0.
1. Si = diag(12 , . . . , p2 ) entonces Xi
independientes.
N1 [i ; i2 ], i = 1, . . . , p y adem
as dichas variables son
Np [B; BB ].
Demostracion.
1. A partir de la expresion generica de la densidad normal tendremos:
(
)
1
1
1
f (x) =
exp
(x
(x
)
p
1
2
(2) 2 | | 2
)
(
)
(
p
p
1
1
1 (xi i )2
1 (xi i )2
=
=
exp
exp
p
2
2
i2
i2
2
p
2
i=1
i=1
i
(2) 2
i=1
De esta expresion se deduce, integrando en Rp1 , que las marginales se distribuyen seg
un normales unidimensionales N1 [i ; i2 ] y son independientes.
2. Dado el cambio Y = BX, el jacobiano de la transformacion inversa es | B |1 . Por tanto
(
)
| B |1
1 1
1
1
h(y) =
(B y ) (B y )
p
1 exp
2
(2) 2 | | 2
(
)
1
1
1 1 1
exp
=
(y
B)
B
B
(y
B)
p
1
2
(2) 2 | | 2 | B |
(
)
1
1
1
=
(y B) (BB ) (y B)
p
1 exp
2
(2) 2 | BB | 2
Comentario 1.1.1. Como es definida positiva, entonces = CC . Consideremos el cambio de
variable Y = C1 (X ). Entonces, aplicando el resultado anterior, se tiene que Y
Np [0; Ip ].
Finalmente se calcula la funcion caracterstica de la ley normal.
Teorema 1.1.3. Sea X ; Np [; ] con > 0. Entonces su funci
on caracterstica viene dada por
(
)
1
X () = exp i
, Rp
2
Demostracion. Empezaremos tratando el caso = Ip .
(
)
(
)
p
1
1
1 2
1
1
=
Yj (tj ) =
exp t2j = exp t t
2
2
it Y
j=1
j=1
=e
exp CC = exp i , Rp
2
2
1.1.3.
Caracterizaci
on de la ley normal
Np [; ] con > 0.
Nq [A; AA ]
Demostracion.
1. Basandonos en la funcion caracterstica se tiene:
Y (t) = E[e
it Y
] = E[e
it AX
(
)
1
] = X (A t) = exp it A t AA t
2
itl X
t R ; l Rp
l X (t, l) = E[e
] = exp itl t l l
2
En particular
l X (1, l) = E[e
il X
(
)
1
] = exp il l l = X (l) , l Rp
2
Comentario 1.1.2. Notemos que tenemos ya cuatro formas de definir la densidad normal, con
> 0.
1. A partir de su funci
on de densidad.
2. A partir de su funci
on caracterstica.
3. Xp1 se distribuye de forma normal p-dimensional s y s
olo s toda combinaci
on lineal de sus
componentes se distribuye como una normal unidimensional.
4. X
Np [; ], con > 0, s y s
olo s X se distribuye como + AU, donde = AA (A
no singular) y donde U
Np [0; Ip ]. Esto es inmediato a partir de los cambios de variable ya
estudiados y precisa, obviamente, introducir previamente la normal esferica.
1.1.4.
Sea X
Np [; ], con > 0 y particionemoslo en la forma X = (X(1) | X(2) ) donde X(1) es
q-dimensional y X(2) es (p q)-dimensional. Supongamos en y las particiones inducidas a partir
de la anterior, o sea
(
)
)
(
(1)
11 12
=
; =
(2)
21 22
Teorema 1.1.5. En las condiciones anteriores,
1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]
1. Para calcular la distribucion de X(1) basta tomar la matriz C = [Iq | 0q(pq) ] y el cambio de
variable Y = CX. Con ello tenemos que Y = X(1) y ademas Y
Nq [C; CC ]. Realizando
las operaciones se concluye que Y = X(1)
Nq [(1) ; 11 ].
Para calcular la densidad de X(2) basta considerar C = [0(pq)q | Ipq ].
2. La demostracion es inmediata sin mas que tener en cuenta que en este caso la densidad conjunta
factoriza. En efecto:
(
)
1
1
1
f (x) =
(x ) (x )
p
1 exp
2
(2) 2 | | 2
=
1
p
2
(2) | 11 | 2 | 22 | 2
))
(
( 1
)(
1
x(1) (1)
11
0
Npq [(2) 21 1
11 (1) ; 22.1 ]
2. X(1) y X(2) 21 1
11 X(1) son independientes.
Npq [(2) + 21 1
11 (x(1) (1) ); 22.1 ]
donde 22.1 = 22 21 1
11 12
Demostracion. Consideremos la matriz
C=
Iq
0q(pq)
21 1
Ipq
11
)(
)
)(
Iq
0q(pq)
11 12
Iq
1
12
11
CC =
21 22
0(pq)q
Ipq
21 1
Ipq
11
(
) (
)(
)
1
11
0q(pq)
11
12
Iq
11 12
=
=
0(pq)q 22.1
0(pq)q
22.1
0(pq)q
Ipq
de donde se deducen los dos primeros apartados. Para calcular la distribucion condicionada tengamos
en cuenta que la densidad conjunta de Y, al ser independientes Y(1) e Y(2) , viene dada por
f (y(1) , y(2) ) =
1
q
2
pq
2
(2) (2)
| 11 | 2 | 22.1 | 2
)
(
)
(
1
1
1
1
exp (y(1) (1) ) 11 (y(1) (1) ) exp (y(2) ) 22.1 (y(2) )
2
2
donde = (2) 21 1
11 (1) . Si realizamos el cambio de variable inverso al anterior
(
X=
X(1)
X(2)
(
=
Y(1)
Y(2) + 21 1
11 Y(1)
)
=
Iq
0q(pq)
21 1
Ipq
11
)(
Y(1)
Y(2)
1
pq
2
(2)
| 22.1 | 2
(
)
) 1 (
)
1(
1
1
exp x(2) (2) 21 11 (x(1) (1) ) 22.1 x(2) (2) 21 11 (x(1) (1) )
2
Nq [(1) 12 1
22 (2) ; 11.2 ]
2. X(2) y X(1) 12 1
22 X(2) son independientes.
3. X(1) | X(2) = x(2)
Nq [(1) + 12 1
22 (x(2) (2) ); 11.2 ]
donde 11.2 = 11 12 1
22 21
Demostracion. La demostracion es similar a la anterior pero considerando la matriz
(
)
Iq
12 1
22
C=
0(pq)q
Ipq