Distribución Normal Multivariada

Teorı́a y práctica

Christian Amao Suxo

Universidad Nacional de Ingenierı́a

Escuela Profesional de Ingenierı́a Estadı́stica

Marzo, 2018

1 / 18
Temario

1 Distribución Normal multivariada

Caracterización de la normal multivariada
Propiedades de la normal multivariada
Teoremas de independencia en la normal multivariada
Matriz Aleatoria Normal

2 / 18
 Distribución Normal multivariada Caracterización de la normal multivariada

1 Distribución Normal multivariada

Caracterización de la normal multivariada
Propiedades de la normal multivariada
Teoremas de independencia en la normal multivariada
Matriz Aleatoria Normal

3 / 18
 Distribución Normal multivariada Caracterización de la normal multivariada

¿Cuáles son las caracterı́sticas de la distribución normal

multivariada?

Función de densidad
Sea xn×1 un vector aleatorio de orden n. Diremos que:
1 0 −1 (x−µ)
x ∼ Nn (µ, Σ) ⇐⇒ f (x) = 1
n 1 e− 2 (x−µ) Σ , ∀x ∈ Rn
(2π) 2 |Σ| 2

En particular, si µ = 0n×1 y Σ = In , entonces decimos que x posee una

n 1 0
distribución normal multivariada estándar y f (x) = (2π)− 2 e− 2 x x .

Sea xn×1 un vector aleatorio de orden n y t ∈ Rn . Diremos que:

0 1 0
x ∼ Nn (µ, Σ) ⇐⇒ Mx (t) = et µ+ 2 t Σt

4 / 18
 Distribución Normal multivariada Caracterización de la normal multivariada

¿Cuáles son las caracterı́sticas de la distribución normal

multivariada?

Función de densidad
Sea xn×1 un vector aleatorio de orden n. Diremos que:
1 0 −1 (x−µ)
x ∼ Nn (µ, Σ) ⇐⇒ f (x) = n
1
1 e− 2 (x−µ) Σ , ∀x ∈ Rn
(2π) 2 |Σ| 2

En particular, si µ = 0n×1 y Σ = In , entonces decimos que x posee una

n 1 0
distribución normal multivariada estándar y f (x) = (2π)− 2 e− 2 x x .

Función generatriz de momentos

Sea xn×1 un vector aleatorio de orden n y t ∈ Rn . Diremos que:
0 1 0
x ∼ Nn (µ, Σ) ⇐⇒ Mx (t) = et µ+ 2 t Σt

5 / 18
 Distribución Normal multivariada Caracterización de la normal multivariada

¿Qué has aprendido?

¡Ahora es tu turno!
0 0
1 Si y es un vector aleatorio cuya f.g.m es My (t) = et 1n +t t . Halle la
distribución de y.
2 Si y es un vector aleatorio con y ∼ Nn (µ, Σ) y a ∈ Rn . Usando su
f.g.m. halle la distribución de a0 y.
3 Si An×n es una matriz ortogonal y x posee distribución normal
multivariada estándar. Usando f.g.m. halle la distribución de y = Ax.
4 Si x ∼ Nn (0n×1 , Σ). ¿Cuál serı́a una transformación lineal adecuada
sobre x para que la distribución sea una normal multivariada
estándar?.
5 Si x ∼ Nn (µ, Σ). ¿Cuál serı́a una transformación adecuada sobre x
para que la distribución sea una normal multivariada estándar?

6 / 18
 Distribución Normal multivariada Propiedades de la normal multivariada

1 Distribución Normal multivariada

Caracterización de la normal multivariada
Propiedades de la normal multivariada
Teoremas de independencia en la normal multivariada
Matriz Aleatoria Normal

7 / 18
 Distribución Normal multivariada Propiedades de la normal multivariada

¿Qué propiedades posee la distribución normal

multivariada?

Teorema
Sean x un vector aleatorio de orden n, Am×n ∈ Rm×n y bm×1 ∈ Rm .
Si x ∼ Nn (µ, Σ) ⇒ y = Ax + b ∼ Nm (Aµ + b, AΣA0 )

Sea x un vector aleatorio de orden n particionado como (x) = (x01 |x02 )0

donde xi es de orden ni × 1 para i = 1, 2. Si x ∼ Nn (µ, Σ) donde µ y Σ
son particionados como sigue:
   
µ1 Σ11 Σ12
µ= ;Σ =
µ2 Σ21 Σ22

Entonces se cumple que x1 |x2 ∼ Nn1 (µ1.2 , Σ11.2 ) donde

µ1.2 = µ1 + Σ12 Σ−1 −1
22 (x2 − µ2 ) y Σ11.2 = Σ11 − Σ12 Σ22 Σ21

8 / 18
 Distribución Normal multivariada Propiedades de la normal multivariada

¿Qué propiedades posee la distribución normal

multivariada?
Teorema
Sean x un vector aleatorio de orden n, Am×n ∈ Rm×n y bm×1 ∈ Rm .
Si x ∼ Nn (µ, Σ) ⇒ y = Ax + b ∼ Nm (Aµ + b, AΣA0 )

Teorema
Sea x un vector aleatorio de orden n particionado como x = (x01 , x02 )0
donde xi es de orden ni × 1 para i = 1, 2. Si x ∼ Nn (µ, Σ) donde µ y Σ
son particionados como sigue:
   
µ1 Σ11 Σ12
µ= ;Σ =
µ2 Σ21 Σ22

Entonces se cumple que x1 |x2 ∼ Nn1 (µ1.2 , Σ11.2 ) donde

µ1.2 = µ1 + Σ12 Σ−1 −1
22 (x2 − µ2 ) y Σ11.2 = Σ11 − Σ12 Σ22 Σ21
9 / 18
 Distribución Normal multivariada Propiedades de la normal multivariada

¿Qué has aprendido?

¡Ahora es tu turno!
1 Sea x un vector aleatorio de orden n particionado como
(x) = (x01 |x02 )0 donde xi es de orden ni × 1 para i = 1, 2. Si
x ∼ Nn (µ, Σ) donde µ y Σ son particionados adecuadamente, pruebe
que x1 y x2 poseen distribución normal.
2 Sea x = (x1 , x2 , x3 )0 ∼ N3 (µ, Σ) donde
   
1 4 1 0
µ =  0 ;Σ =  1 1 0 
3 0 0 2

Halle la distribución marginal de x1 , x2 y x3 .

3 Usando el problema anterior, halle la distribución de y = (x1 , x3 )0
4 Con respecto al problema anterior, halle la distribución de y|x2 .
¿Podrı́a usted encontrar la distribución de E(y|x2 )? Justifique.
10 / 18
 Distribución Normal multivariada Teoremas de independencia en la normal multivariada

1 Distribución Normal multivariada

Caracterización de la normal multivariada
Propiedades de la normal multivariada
Teoremas de independencia en la normal multivariada
Matriz Aleatoria Normal

11 / 18
 Distribución Normal multivariada Teoremas de independencia en la normal multivariada

¿Cómo se relaciona la independencia con la distribución

normal multivariada?
Teorema
Sean x1 , x2 , . . . , xk vectores aleatorios conjuntamente independendientes
tal que xi ∼ Nni (µi , Σi ) entonces x = (x01 |x02 | . . . |x0k )0 ∼ NPk ni (µ, Σ)
i=1
donde    
µ1 Σ1 O . . . O
 µ2   O Σ2 . . . O 
µ =  . ;Σ =  .
   
.. . . .. 
 ..   .. . . . 
µk O O . . . Σk

Sean x1 y x2 dos vectores aleatorios de orden n1 y n2 respectivamente tal

que (x1 0 , x2 0 )0 ∼ Nn (µ, Σ) con n = n1 + n2 . Entonces:
x1 y x2 son independientes ⇐⇒ Cov(x1 , x2 ) = 0

12 / 18
 Distribución Normal multivariada Teoremas de independencia en la normal multivariada

¿Cómo se relaciona la independencia con la distribución

normal multivariada?
Teorema
Sean x1 , x2 , . . . , xk vectores aleatorios conjuntamente independendientes
tal que xi ∼ Nni (µi , Σi ) entonces x = (x01 |x02 | . . . |x0k )0 ∼ NPk ni (µ, Σ)
i=1
donde    
µ1 Σ1 O . . . O
 µ2   O Σ2 . . . O 
µ =  . ;Σ =  .
   
. . .. . . .. 
 .   . . . . 
µk O O . . . Σk

Teorema
Sean x1 y x2 dos vectores aleatorios de orden n1 y n2 respectivamente tal
que (x1 0 , x2 0 )0 ∼ Nn (µ, Σ) con n = n1 + n2 . Entonces:
x1 y x2 son independientes ⇐⇒ Cov(x1 , x2 ) = 0

13 / 18
 Distribución Normal multivariada Teoremas de independencia en la normal multivariada

¿Qué has aprendido?

¡Ahora es tu turno!
1 Sean x1 , x2 , . . . , xn variables provenientes de un m.a.s. con
x1 ∼ N (α, σ 2 ). Calcule la distribución de x = (x1 , x2 , . . . , xn )0 .
2 Usando los datos del problema anterior, halle la distribución de x̄,
donde x̄ es la media muestral de x1 , x2 , . . . , xn .
3 Usando los datos del primer problema, halle la distribución de x̄|xi ,
∀i = 1, 2, . . . , n. Además, calcule la distribución de E(x̄|xi ).
4 Usando los datos del primer problema, pruebe que x̄ y s2 son
independientes, donde s2 representa la varianza muestral de
x1 , x2 , . . . , xn .
5 Dado z ∼ Nn (0, In ), sea y1 = C1 z y y2 = C2 z donde Ci es de orden
ki × n (i = 1, 2). Establezca la condición necesaria y suficiente para
que y1 y y2 sean independientes.

14 / 18
 Distribución Normal multivariada Matriz Aleatoria Normal

1 Distribución Normal multivariada

Caracterización de la normal multivariada
Propiedades de la normal multivariada
Teoremas de independencia en la normal multivariada
Matriz Aleatoria Normal

15 / 18
 Distribución Normal multivariada Matriz Aleatoria Normal

¿Cuál es la distribución de una matriz aleatoria normal?

Función de densidad de una matriz aleatoria normal
Sea Xn×p una matriz aleatoria. Decimos que X posee una distribución
normal matricial si:
exp(− 21 tr[V −1 (X−M )0 U −1 (X−M )])
X ∼ MN n×p (M, U, V ) ⇐⇒ f (X) = (2π)np/2 |V |n/2 |U |p/2

Donde Mn×p = E(X) es el parámetro de locación; Un×n y Vp×p (matrices

definidas positivas) son parámetros de escala que representan la varianza
entre filas y columnas de Xn×p respectivamente.

Sea x1 , x2 , . . . , xn una muestra aleatoria simple de n perfiles p-variados

tal que xi ∼ Np (µ, Σ). Ası́
Xn×p = [x1 |x2 | . . . |xn ]0 ∼ MN n×p (1n ⊗ µ0 , In , Σ). Si se cumple esto, se
dice que X proviene de una normal multivariada y se simboliza como
Xn×p ∼ Np (µ, Σ).

16 / 18
 Distribución Normal multivariada Matriz Aleatoria Normal

¿Cuál es la distribución de una matriz aleatoria normal?

Función de densidad de una matriz aleatoria normal
Sea Xn×p una matriz aleatoria. Decimos que X posee una distribución
normal matricial si:
exp(− 21 tr[V −1 (X−M )0 U −1 (X−M )])
X ∼ MN n×p (M, U, V ) ⇐⇒ f (X) = (2π)np/2 |V |n/2 |U |p/2

Donde Mn×p = E(X) es el parámetro de locación; Un×n y Vp×p (matrices

definidas positivas) son parámetros de escala que representan la varianza
entre filas y columnas de Xn×p respectivamente.

Matriz aleatoria proveniente de una normal multivariada

Sea x1 , x2 , . . . , xn una muestra aleatoria simple de n perfiles p-variados tal
que xi ∼ Np (µ, Σ). Ası́ X = [x1 |x2 | . . . |xn ]0 ∼ MN n×p (1n ⊗ µ0 , In , Σ).
Si se cumple esto, se dice que X proviene de una normal multivariada y se
simboliza como Xn×p ∼ Np (µ, Σ).

17 / 18
 Distribución Normal multivariada Matriz Aleatoria Normal

Ejercicios

¡Hora de ejercitarse!
1 Pruebe que
X ∼ MN n×p (M, U, V ) ⇐⇒ V ec(X) ∼ Nnp (V ec(M ), V ⊗ U ).
En particular
Xn×p ∼ Np (µ, Σ) ⇐⇒ V ec(X) ∼ Nnp (µ ⊗ 1n , Σ ⊗ In ).
2 Pruebe que si Xn×p ∼ Np (µ, Σ) ⇒ V ec(X 0 ) ∼ Nnp (1n ⊗ µ, In ⊗ Σ)

18 / 18