CAPTULO III: DISTRIBUCIN NORMAL MULTIVARIABLE

En una de las secciones del Captulo se trat el caso de distribuciones de

probabilidad de n variables aleatorias. Este Captulo se dedicar exclusivamente
a la Distribucin Normal Multivariable.
3.1. DEFINICIN DE LA DISTRIBUCION NORMAL MULTIVARIABLE.
El vector aleatorio de p variables aleatorias Ypx1, [ Y' = ( y1, y2, .........., yp) ],
se distribuye segn la normal p-variable, si la Funcin de Densidad
Conjunta de y1, y2, .........., yp es:
- < yi < i = 1, ....., p
donde: i)
i = 1, ...., p i = ctes.
ii)
es una matriz simtrica definida positiva.
(
2
ij = ctes.)
Como Ypx1, entonces:
a) Hay p varianzas ( una por cada componente de Y )
p p! p ( p - 1)
b) Hay ( ) = -------------- = -------------- !varianzas
2 2! (p 2)! 2
( una por cada par ( yi, yj ) , con i = j )
1 - ( Y - )' V
1
( Y - )
f( Y ) = f( y1, y2, ......, yp ) = ------------------ e
( 2 )
p/2
V

px1 = ( i )
- < i <
Vpxp = [
2
ij ]
- El elemento de la diagonal (
2
ii ) corresponde a la varianza de yi ( i = 1, ...,p ).
- El elemento i,j - simo (
2
ij ) corresponde a la covarianza de yi e yj
[ i = 1, p ; j = 1, p; i j ]

2
ij =
2
ji = E [ ( yi - i ) ( yj - j ) ]
V " E [ # $ % & # $ % &' ]
Nota: De teorema se sabe que A definida positiva A
-1
definida positiva
Luego, es matriz simtrica, definida positiva.

2
11
2
12 ............
2
1p V( y1 ) cov (y1, y2) ............... cov (y1, yp)

2
21
2
22 ...........
2
2p cov (y1, y2) V( y2 ).........................cov (y2, yp)

Vpxp = =



2
1p
2
2p ..................
2
pp cov (y1, yp) cov (y2, yp) ................... V( yp )

E [ (y1 - 1)
2
] E [ (y1 - 1) (y2 - 2) ] ..... E [ (y1 - 1) (yp - p) ]
E [ (y1 -1) (y2 - 2) ] E [ (y2 - 2 )
2
] .................. E [ (y2 - 2) (yp - p) ]
Vpxp = ...
...

E [ (y1 -1) (yp - p) ] E [ (y2 -2) (yp - p) ] .................. E [ (yp - p )
2
]

Rpxp = V
-1
Entonces:
Pr!(i)*a*)s *) +# $ & :
i) f( y1, y2, ....., yp ) 0 ; - < yi < ; i = 1, .........., p
ii)
....... f( y ) dy1 dy2 .......dyp = 1
- -
NOTACION: $ N ( , V )
Definicin: En la distribucin normal p-variante
Se denomina FORMA CUADR,TICA de la distribucin normal multivariable.

R - ( Y - )' R ( Y - )
f( Y ) = ----------- e
( 2 )
p/2
- = ( Y - )' V
1
( Y - ) = ( Y - )' R ( Y - )
3... MOMENTOS DE LA DISTRIBUCIN NORMAL MULTIVARIABLE.
Definicin: El valor esperado de una matriz A = ( aij ), denotado por E[ A ], es
por definicin, la matriz de los valores esperados de cada elemento
de dicha matriz.
Teorema: Sea Ypx1 N ( , V ). Entonces E[ Y ] =



Teorema: Sean: Ypx1 N ( , V &
T'

= ( t1, t2,....., tp )
La Funcin Generatriz de Momentos de una distribucin normal p-variable es:


E( A ) = [ E( aij ) ]
E[ y1 ] 1
E[ y2 ] 2
E( Y ) = =

E (yp) p

t1 y1 + t2 y2 + ...........+ tp yp
M( T' ) = M( t1, t2, ......., tp ) = E [ e ]

3.3. DISTRIBUCIN MAR/INAL.
Teorema: Sea Ypx1 N ( , V &
Sea la particin de Y



Y1' = ( y1, y2,........, yk ) Considera los k primeros elementos de Y
Y2
'
= ( yk+1, ........, yp )
Y
'
= [ Y1
'
, Y2
'
]
Asociada a esta particin se tiene:
i&
V11 ( k x k )
V12 k x ( p-k )
V21 ( p-k ) x k
V22 ( p-k ) x ( p-k )
= e
T' + [ T' V T ]
n p p
i ti + ti tj ij
= e
i =1 i =1 j=1
y1
.
. Y1
yk
Y = -----------------------
yk+1
.
Y2
.
yp

V11 V12
Vpxp =
V21 V22
V es una matriz simtrica definida positiva V12 = V21
V11 y V22 : Son matrices simtricas definida positivas
( Existen V11
-1
y V22
-1
)
De teorema:
Si A es simtrica definida positiva, entonces cualquier submatriz de A, obtenida
eliminando k filas y k columnas de A es tambin definida positiva.
U1
'
= ( 1 , 2....., k)
ii& U2
'
= ( k+1, ......, p)
' = ( U1' , U2' )

Entonces :
Distribucin Normal k - variable.
En funcin de R = [ Ri j ]

R11 (k x k )
3.0. INDEPENDENCIA DE LAS VARIABLES ALEATORIAS.
Teorema: Sea Yp x1 N( , V )
1
.
. U1
k
= ----------------------
k+1
U2
p

Y1 (k+1) N ( U1 , V11 )
R11 R12
R =
R21 R22
Y1 N [ U1 , ( R11 - R12 R22
1
R21 )
-1
]
Los componentes yi ( i = 1,..., p ) son mutuamente independientes,
si y slo si, V es diagonal. ( V diagonal i j = 0 i j )
Cuando los yi .......yn son
independientes.
Caso Particular:
Si ij = 0 i j , las v.a. yi e yj son independientes.
3.1. DISTRIBUCIN CONDICIONAL.
Teorema: Sea Ypx1 N( , V )
Sean: Y' = (Y1
'
, Y2
'
) Y1 ( q x 1 )

U1 V11 V12
= V =

U2 V21 V22
Entonces:
(Distribucin Normal q- variable)
Nota:
Teorema:
La matriz de covarianzas de la distribucin condicional de Y1 , dado Y2 = $.
2
, no
depende de $.
2
.
Teorema:
f( y1, ....., yn ) = f1( y1 ) f2 ( y2 ) ........fn ( yn )
Y1/( y2 = 3.
2
) N [ U1 + V12V22
-1
( 3.
2
- U2 ) ; V11 -V12 V22
1
V21 ]
V12 V22
-1
= - R11
-1
R12
V11 - V12 V22
-1
V21 = R11
-1
El valor esperado de las variables aleatorias en la distribucin condicional de Y1,
dado Y2 = $.
2
es:

O sea:
3.4. FUNCIONES LINEALES DE VARIABLES ALEATORIAS.
TEOREMA: Sean: Ypx1 ~ N ( ,V ) ,
a' = ( a1, a2,......,ap) , ai = ctes. , i = 1, ...., p
Entonces:
(Distribucin Normal Univariable)

TEOREMA: Sean: Yp x 1 N( , V )
Bq x p con ( q p ) y ( B ) = q
Entonces :

( Distribucin Normal q-variable )
TEOREMA: Sean Yp x1 N( ,
2
)
Pp x p = Matriz Ortogonal

Entonces:
U1 + V12 V22
-1
( y2
*
- U2 )
E [ Y1 / Y2
*
] = U1 + V12 V22
-1
( Y2
*
- U2 )
Z = a' Y N ( a' , a' V a )
p p p p
Z = ai yi N ( ai i ; ai aj ij
2
)
i=1 i=1 i=1 j=1
Zqx1 = BY N ( B , B V B' )
P'P =
P' = P
-1
Z = PY N ( ,
2
)
Este teorema establece que si el vector aleatorio Y se distribuye N ( ,
2
),
cualquier transformacin ortogonal no cambia la distribucin.
Nota: La matriz [
2
] tiene: Var ( yi ) =
2
i = 1, ...., p
Cov ( yi , yj ) = 0 i j que las variables
. aleatorias son
ndependientes.
3.5. FORMAS CUADR,TICAS.
Determinacin de y V a partir de la Forma Cuadrtica de la distribucin
normal multivariable.
i) Cuando y R aparecen en forma explcita:
Ejemplo: Sea Y3x1 N ( , V ) , donde
Y1 - 3 4 -2 y1 - 3
Q =
Y2 + 5 -2 2 y2 + 5
1 = 3
o sea
2 = -5
4 -2
R =
-2 2

Q = ( Y - )' V
1
( Y - ) = ( Y - )' R ( Y - )
3
=
-5
1
V = R
1
= ------- Adj R
R
2 2
V = R
1
=
2 4






ii) Caso en que Q no est dada en forma matricial:
( o sea cuando se ha realizado el producto y se han agrupado trminos)
Ejemplo: Sea Y3x1 N ( , V ) , donde
Q = 3y1
2
+ 2y2
2
+ 2y3
2
+ 4y1 y2 + 2y2y3 - 14y1 - 18y2 - 16y3 + 49
Pr!)*i6i)n7! (ara !87)n)r :
Teorema: Sea Ypx1 N( , V ), con forma cuadrtica

El vector de medias es el vector solucin al siguiente sistema de
ecuaciones en los yi


o
1/2 1/2
V =
1/2 1
Q = ( Y - )' V
1
( y - )
Q
---- = 0
y1
Q
----- = 0
y2
.
.
.
.
Q
---- = 0
yp
Q
----- =
Y

Nota:

2R
3
( Y - ) =
Y - =

Pr!)*i6i)n7! (ara !87)n)r V:
Q = ( Y - )' V
1
( Y - ) = ( Y - )' R ( Y - )
Q = Y' R Y - Y' R - ' R Y + ' R
Y' R Y es el nico trmico de Q en que todos los componentes de Y son de
segundo grado, es decir, yi
2
o productos yi yi.

( R es simtrica R = [ rij ] )
Luego: - Los coeficientres de yi
2
son los elementos rii , i = 1,....,p
- La mitad del coeficiente de yi yj corresponden a rij
3.9. DETERMINACIN DE DISTRIBUCIONES DE FUNCIONES DE
VARIABLES ALEATORIAS.
a& T:nia *) ;a F<ni=n /)n)ra7riz *) M!6)n7!s.
Q
------ =
Y

---- [ ( Y - )' R ( Y - ) ] =
y
Y =
p
Y' R Y = rii yi
2
+ 2 rij yi yj

i =1

i

j
i < j
Teorema.: Si L = l( x1, x2, .......xn ) es una funcin de las v.a. x1, x2, ......., xn ;
cuya distribucin est dada por f( x1, x2,......., xn ), la F.G. de M., si
existe, es:
De la Funcin Generatriz de Momentos resultante se puede deducir la distribucin
de L.
Se sabe que para la distribucin normal p-variante,



8& T:nia *) Trans+!r6ai=n *) Varia8;)s:
Sean:
- x1 , x2, ....., xn variables aleatorias de tipo continuo con funcin de
densidad conjunta g( x1, x2, ....., xn ).
ML( t ) = E [ e
Lt
]
l( x1, x2, ....., xn ) t
ML( t ) = ...... e f( x1, x2, ....., xn ) dx1 dx2.....dxn
-
M( T' ) = M( t1, t2, ....., tp ) = E [ e
t1 y1 + t2 y2 + ..... + tp yp
]
T' + T' V T
M( T' ) = e

i ti + i j ti tj ij
2

M( T' ) = e
- A, espacio n-dimensional donde g( x1, x2, ....,xn ) > 0
- yi = hi ( x1, x2, ......, xn ) , donde i = 1,2,....,n ;
transformaciones desde un espacio
n-dimensional A( x1, x2,...., xn ) a un espacio
n-dimensional B( y1, y2, ...... yn )
- xi = wi( y1, y2,,......., yn ) inversas de y1, y2,........, yn
Entonces:
La funcin de densidad conjunta de y1 y2,....., yn es:
Donde y1,...,yn B
Donde es el determinante de una matriz cuyo i-j-simo elemento es
Ejercicios ilustrativos:
Sea x variable aleatoria continua con funcin de densidad:
f( x ) = e
-x
x 0
k( y1, y2, ....... ,yn ) = g( w1, w2, ......., wn ) J
k( y1, y2, .......,yn ) = 0 en otro caso.

J
xi wi
----- ------
yj yj
f( x ) = 0 en otro caso.
a& D)7)r6inar ;a +<ni=n *) *)nsi*a* *) )
%>
Solucin:
i) A = { x / 0 x }
ii) y = ( x ) = e
-x
x e
x
0 1
.
.
0
B = { y / 0 y 1 }
iii) X = w( y ) = - ln( y )
dx -1
iv) w'( y ) = ------- = -----
dy y
-1
J = w'( y ) = -----
y

v) f [ w(y)] = e
-x
= e
- (- ln y )
= e
ln y
= y
1
vi) g( y ) = y --- = 1
y
Entonces: g( y ) = 1 0 y < 1
g( y ) = 0 en otro caso.
Sea x variable aleatoria continua con funcin de densidad:
f( x ) = e
-x
x 0
f( x ) = 0 en otro caso.
8& D)7)r6inar ;a +<ni=n *) *)nsi*a* *) >
3
Solucin:
i) A = { x / 0 x }
ii) y = ( x ) = x
3
x x
3
0 0
. .
. .

B = { y / 0 y }
iii) x = w( y ) = ( y )
1/3
dx 1
iv) w'( y ) = ----- = ---- y
-2/3

dy 3
1
J = w'( y ) = ---- y
-2/3

3
-( y )
1/3
v) f( w(y) ) = e
-x
= e
-( y )
1/3
1
vi) g( y ) = e ---- y
-2/3

3
-( y )
1/3
e
Entonces: g( y ) = --------------------- y 0
3 y
2/3
g( y ) = 0 en otro caso.