You are on page 1of 12

Revista Colombiana de Estadstica Vol. 22 No.

2 (1999) pgs 5 - 16

Una revisin de medidas multivariadas de asimetra y Kurtosis para pruebas de multinormalidad


SERGIO YEZ CANAL, MARIO CSAR JARAMILLO ELORZA Y JUAN CARLOS CORREA MORALES *
Resumen. El trabajo germinal de Mardia(1970) da definiciones multivariadas de asimetra y kurtosis que son usadas en pruebas de multinormalidad, y han dado origen a gran variedad de extensiones y formalizaciones. Se hace una revisi^ de dichos conceptos y de las comparacbnes entre ellos en cuanto a su potenda. Se iquestra como los test formales de bondad de ajuste basados en el principk> Score de Rao y la nocin de test suaves de Neyman no son mejores que k3s basados en estadfsticos que generalizan las nociones de asimetra y kurtosis. Palabras claves: Asimetra, kurtosis, multinormalidad, afn invariantes, dependientes de coordenadas, principio Score de Rao, test suaves de Neyman, estudios de potencia.

1. Introduccin El supuesto de multinormalidad se requiere en la mayora de los mtodos multivariados clsicos. Algunos ejemplos son: ei anUsis de varianza nniltivariado, d ansias de discriminante, el anlisis de correlacin cannica, y el anKsis de factor mximo-verosmil. Hay mudias tcnicas para detectar multinormalidad; ver, por Jranplo, las revirones realizadas por Gnanadesikan (1977), Mardia (1980), Kool (1986), ^Throfesor del Posgrado en Estad&tica, Universidad Nacicoial de Cdombia-Sede Medelln, Medelln, Colombia. E-mail: 8yan&z@perseus.unalmed.edu.co Investigacin patrocinada por Colciencias(Pr(qrecto: 1118-05-113-94) y el CINDEC (Proyecto 022).

'w^mm

m'm^^^i^^^^^

UNA REVISIN DE MEDIDAS MULTIVARIADAS DE ASIMETRA ...

Romeu y Ozturk (1993). Esto ilustra la gran variedad de posibiUcbdes de alejamiento de la multinormalidad para datos multivariados, como seala Gnanadesikan (1977) y enfatiza la necesidad de distintas tcnicas pars detectarlas. Dentro de las pruebas de multinormalidad, las basadas ea las medidas de asimetra (i,p) y kurtosis (2,p) desarrolladas por Mardia (IS^O) han sido muy utilizadas por su facilidad y proiedades asintticas, asf como por la indicacin de que tipo de alejamiento de la multinormalidad se ptoseo^ Bievisaremos las distintas pruebas que parten de estos conceptos ioidales de Mardia y las compararemos por medio de ^tudios de potencia, siguiaid lo lineami^tos del trabajo de Horswell y Loone^ (1993a), para mostrar susfortalezasy debilidades. La seccin 2 contiene una descripcin de los estadsticos revisados. En la seccin 3, se hace la comparacin, utilizando estudios previos de potencia y una complementacin realizada por los autores. En la seccin 4 se dan algunas recomendaciones prcticas y se resiunen las principales conclusiones del estudio comparativo. 2. Definiciones de coeficientes de asimetra y Icurtosis multivariadas y estadisticos de prueba basados en ellas. 2.1. Definiciones y estadsticos de Mardia. Mardia (1970) dene los coeficientes de asimetra y kurtosis poblacionales para una distribucin p-variada con vector de medias/i y matriz de co\rianzas E (x ~ ifi,^)), respectivamente

0l,^ = E[ix-^i)^^l:-Hy-^^)f

0i,p = E[(x-fi)'^E-^ix-^)f

Donde x y y son independientes e idnticamente distribuidos. Sean Xi, x j , . . . ,Xn oi)servaciones del vector aleatorio x, entonces los correspondientes coeficientes de asimetra y kurtosis muestrfJes son:

f>i.p=^Y:{i^-^fs-\x,-5i)}\
i = l 3=1

n . ~

Donde x es el vector de medias muestredes y S es la matriz de covarianzas mustrales. Psura la distribucin nonnal multivariada, I3t,p = O y 02,p viP + 2). Mardia (1970, 1974, 1975) deriv las distribuciones aanttit^s bajo la hiptesis nula de normalidad multivariada: ^fci.p~X(Mp-..ij(.+a)) y fr2.p ~ ^ KP + 2), - ^ j

SERGIO YEZ, MARIO JARAMILLO Y JUAN CORREA

Como 6i,p y b,p son an invariantes es posible estimar su distribucin nula empricamente. Los residtados de potencia aqu r^xirtados, se basan en valores crticos empricos calculados usando 10000 muestras multinrmales. 2.1.1. Estadsticos de SmalL Small (1^0) propone una prueba de multinormalidad utilizando estadfeticos basados ea modas de asimetra y kurtosis marginales. Para una distribucin p-variada, SmaU propone medir la ametra multivariada as:

?i=yrurVi
Donde yi es un vector (p x 1) de coeficientes e asimetra marginales despus de aplicarle a cada uno la transformacin Su de Johnson, y Ui es un estimativo de cov{yi). Para medir Inirtoras multivariada {Hopone: Q2=yU3V2 Donde ya es un vect<M- (p x 1) de coefidentes de asimetra margnales despus de aplicarfe a cada uno la traiKsfonnacto Si/ de Johnson, y U2 es un estimativo
de COV ( y a ) '

Bajo multincxmalidad, tas disbribudones asintticas eQi y Q2 son ambas ^0)' S m ^ pn^MMie adems una prueba conjunta basada en: Q3=Qi+Q2 Que tene distribudn anttica bajo la hiptesis nula: <?3~X?2p) Los estadsticos Qi, Q2 y Q3 son dependientes de las coofdenadas. Esto es, no son afia invariantes. Lu^o para los estudios de pot^ida se usar la distribuci<te asinttica para calcular los valores crtcos. 2.1.2. Estadstico conjunto de Mardia y Foster. Mardia y Fosto'(1983) comparan varias cmMnadraies defri,py &2^. Seccmsiderar uno de los de mejor comportamiento como prueba on^unta (mnibus) de aametrfa y Icurtosis:

-sar

UNA REVISIN DE MEDIDAS MULTIVARIADAS DE ASIMETRA ...

Donde W (61 ,p) y W (>2,p) son las transformaciones de Wila)n-Hilfer1^ de 61^


y h.p-

La distribucin asinttica bajo la hiptesis nula de multinormalidad es:

Este estadstico es afn invariante. 2.1.3. Estadsticos de Srivastava. Srvastava (1984) define los coeficientes de asimetra y kurtosis, va las componentes principales. Sea x un vector aleatorio p-dimensional, con vector de medias p y matriz de covarianzas E. Sea F = (71,... ,7^) ima matriz ortogonal tal que T^EF = DA, donde DA = diag{Xi,... ,Xp) y Xi,... ,Xp son las races caractersticas de E. Sea yx = f i x , . . . ,yp = j j x , 0i = j l n , . . . ,9p = f^p, se definen los coeficientes de asimetra y kurtosis multivariados as:

.2

" ly^yi-g^fT . _ i v

E[yi-0if A?

Para una pobladn normal multivariada /^p = O y ^^p = 3. Sea Xl,... ,x observadones dd vector fileatorio x. Sea H = ( h i , . . . ,hp) una matriz ortogonal tal que H'^'SH = D donde D = diag(wi,... ,wp), y wi,... ,wp son las races caractarsticas de S. Sean j/ij = hf Xj t = l , 2 , . . . , p j = l,2,...n y Si = ;s Di=i I^i Se definen ios coeficientes de ametra y kurtosis multivariados mustrales
as:

^ i=\ [

j=i

''=1

i=i

Donde Wi = hf Shf = i Z U iV - fe)^ = 1,2 p. Las distribuciones asintticas bajo la hiptesis nula scm:

ffc?p~x^ : (f)*(*2p-3)~^(0,i)
Los estadsticos 6fp y > 2 p son dependientes de coordenadas.

SERGIO YEZ, MARIO JARAMILLO Y JUAN CORREA

2.2. Definiciones y estadsticos de Bera y John. Bera y John (1983) parten de la familia de distribuciones de Pearson y utilizando el principio Score de Rao encuentra los estadsticos Ci (asimetra) y C2 (kurtosis):

^.-E?. <^-{^-ak-)!) ,., 6


Obtienen, tambin, un estadstico conjunto C3

Donde: T. = f ,
t=i

T. = ^ ,
t=i

T . , = ^ ,
t=i

y = S-l(x-S)

Las distribuciones asintticas bajo la hiptesis nula son: Cl ~ XIP) , C2 ~ x l u p i , Cz ~ X(2p)

Las pruebas basadas en estos estadsticos son localmente ms potentes para alternativas dentro de la familia de Pearson. Esos estadsticos son afn hivariantes. 2.3. Definiciones y estadsticos de Koziol. Ko;dol (1986) basado en la nocin de tests suaves de Neyman (Neyman's smooth tests), propone una prueba de bondad de ajuste para normalidad univariada con parmetros desconocidos. Sean Zi,2,... ,Xn una muestra aleatoria de una JV {fi,(T^). Sea yj = ^f^, t = 1,2... ,n, la prueba de hiptesis es:

Ho:f{y)=4>iy) vs Ha:m=^<t>{y){l + /V6etH3{y)-i-l/V24ff^H4y)}


Donde /(.) denota la f.d.p. de y y ^(.) es la f.d.p. de una distribucin nonnal esttodar; Hj{.) es el j-esimo polinomio de Hermite; 63 y 64 son parmetros

UP

>! w f w )

I -" -^- ^ - . - -

g--^gBp^H^'^^^^iP''^*^!f^^g

10

UNA REVISIN DE MEDIDAS MULTIVARIADAS DE ASIMETRA ...

diferentes de cero escogidos de forma que / sea positiva. Un test suave de normalidad consiste en rechazar Ho para valores grandes de U3^ + U^, donde: C/| = n~i I3r=i ^/V^^siVi) (coeficiente de asimetra) 7| = n~i J]f^j l/>/24H4(i/i) (coeficiente de kurtosis) Para la extensin multivariada de la prueba, sea yt = S~ ^ (Xi Jc) i 1,2,3,... ,n. La hiptesis alternativa ser el conjimto de productos de lospolinomios de Harmite univariado6(marginales), acogidos de tal manera que el grado del producto sea 3 (una alternativa de asimetra) 4 (una alternativa de kurtosis). Obsrvese que hay I '^ J polinomios de grado 3 y ( 4 ) polinomios de grado 4. (p es la dimaisin de Xj). As, siguiendo el modelo univariado, de manera anloga a Small (1980), obtiene las medidas de asimetra y kurtosis multivariadas: U3 p = suma de las ( U^ p =suma de las I . ) componentes de asimetra ) componentes de kurtosis

Bajo la hiptesis nula U3 p y U^ p son asintticamente independientes, y distribuidos como v.a. ji-cuadradas con i _ ) y { 4 ) grados de libertad respectivamente. Koziol (1989, 1993) relaciona estos estadfeticos con los de Mardia (1970) y obtiene: U^j, = |bi,p (i.e. los dos coeficientes de asimetra son equivalentes)

U,P = ^b2.p-^b2,P+fp{P + 2) donde 62,p = ^r r."! E^Li (?%)*


Koziol (1989) pregone a b2,p como tma medida alternativa de kurtosis, anloga al 2,? de Mardia, peito su distribucin lmite es una ji-cuadrado no central, que es menos atractiva para fines inferencisdes que las distribuciones deb2,pyU,p. 2.4. Estadsticos obtenidos por Mardia utizando el principio Score de Rao. Mardia (1987) y Mardia y Kent (1991) desarrollan a pffitir del principio Score de Rao una prueba conjunta para multinormalidad. La hiptesis alternativa es la familia exponencial de la forma: /(x; 9, il))a exp{6'^u{x) + if^v{x)}. Donde u(x) = {zi,ara,... ,Xp, x?,x|,... ,ij,X1X2,X2X3,... , Xp-iXp} y V(x) = {x?,... , Xp, X?X2,. . . , X^iXp, xf,, .; , xJ, I1X2X3X4,... , Xp_3Xp_2Xp_iXp}^ As la prueba de hiptesis es:
HQ-.IIF = 0 vs V ^ / 0

SERGIO YAEZ, MARIO JARAMILLO Y JUAN CORREA

11

El estadstico Score de Rao toma la forma: T = (Ts -f- T4). La distribucin asinttica bajo la hiptesis nula es:

Donde T3 = fi>i,p y T4 = ^62,p - fta.p + jp{p + 2). Estos estadsticos son afn invariantes. Como se ve estos estadsticos son iguales a los estfidsticos de Koziol desarrollados en el numeral 2.3. As los dos procedimientos formales tienen, en ste caso, resultados idnticos. Por ello en la seccin 3, mencionaremos solo los estadbticos ele Mardia y Kent (1991). Para p = 1,T es el conocido estadstico de Bowman y Shenton (1975). Para p = 2, T se reduce al ndice de "projection pursuit" introducido por Jones y Sibson (1987) como seal Mardia (1987). Mardia y Kent (1991) olervan que las definiciones de asimetra y kurtosis de Malkovich y Afifi (1973) no tienen distribuciones asintticas ji-cuadrado. Este ltimo trabajo es digno de ser mendonado, pues se deriva de la propiedad fundamental de la multinormal, que establece que toda comtnadn lineal de las variables es normal univariada. Adems, se puede aadir que estas ideas de Malkovich y Afifi como medidas de asimetra y kurtosis ms extremas (movindose en todas las direcdones) se puedi considerar precursoras de "^ojection pursuit" ya qae las direcdones interesante &B ese contexto son aquellas donde hay ms alejamiento de la multinormalidad. El presente artculo se igin como un subtema dentro de im ptayecto de investigadn de "comparacin de ndices de projection pursuit". Las definidones y pruebas de Malkovid y Afifi (1973) no se reviseoon en detalle en este artculo, porque como dicen IforsweII y Looney (1993a) ito son {M^Uiticas para p > 2, dadas sus dificultada computacionales. 3. Comparacin de las pruebas Se preaentar una comparadn de las distintas [Huebas, utilizando estudios de poteada previos y una complem^tada realizada paeloB autores. Se evaluarcHi las pruebas para las distintas combinad<e9 de n = 30, 50, 100, 20(^ p 2, 5, 7, 10; y a = .05, .10. Las observadones y conduones presoitadas se mantienen para todas las ccraibinadones de tiip y a. Las tablas 1 y 2 {Mresaitan slo los resultados para n==50, p=S, a = .lO.y .05, nlimo de 8imulacioiies=1000 y las hiptesis altonatvas usadas, sigaimdo a Hwswell y Loon^ (1993a), son: i.i.d r(8,1) (asimtrica). i.i.d. unif<ine(0, 1) (simtrica y Inutods negativa). i.i.d. f(5) (simtrica y kurtods positiva).

^e^

w^

12

UNA REVISIN DE MEDIDAS MULTIVARIADAS DE ASIMETRA

i.i.d. Kl (distribucin de la familia de Khintchine, que no es multinormal pero sus marginales son normalra. (Horswell y Looney (1993a, pg. 29) y Johnson (1987, captulo 8) construye el algoritmo de simulacin. i.i.d. G.E.P.1 i.i.d. G.E.P.2 (casos particulares de la familia "Generalized exponential power" que no son multinrmales pero tienen coeficientes de asimetra y kurtosis iguales a los de la multinormal. Horswell y Looney (1993a, pg. 30) y" para el algoritmo de simulacin utilizado, Johnson (1987, pg. 34-36). Los programas fueron realizados en SAS-IML y los autores los ponen a disposicin. Tabla 1 n = 50, p = 5, Distribucin i.i.d. r(8,l) i.i.d. U"(0,1) i.i.d. (5) i.i.d. Kl i.i.d. GEPl i.i.d. GEP2
bi,p 62.P S i Ql

a = 0.1 89 54 100 3 88 18 12 61 4 4 19 5 13 68 44 42 12 16 85 0 72 93 2 7 32 0 79 63 2 6 74 61 82 82 1 8 31 0 72 84 5 7

Q2 Q3 fcfp bip Cl C2 C3 T4

61 0 71 97 9 9

29 95 76 88 10 10

38 86 66 84 8 11

94 44 0 100 78 86 11 9 4 3 12 22

Tabla 2 n = 50, p = 5, Distribucin K P 50 r(8,i) U{0,1) 0 61 t[5) Kl 72 6 GEP2 4 GEPl a =:0.0>


Cl C2 C3 T4 83 31 70 18 0 0 40 5 71 80 81 61 2 66 2 66 7 7 9 6 1 2 1 3

b2 52, Ql Q2

Qs ^^v fe2p 19 13 89 25 74 52 7 87 80 0 100 100 4 42 68 37 72 72 80 31 35 87 44 5 5 6 29 39 5 5 9 8 10 9 6 3 4 1 4 6 11 2

Mardia y Foster (1983) observan que ii2,p es ms soiUe a alejamiento de la multinormalidad que bi,p. Horswdl y Looney (1993b) refirman lo anterior al mostnu* que los tests de asimetra son muy sensibles a la kurtosis, presentando sobrestimacin de la potencia para altmati\s leptokrticas y mbestimacin para alternativas platokrticas; concluyen entonces que las prud)as individuales no son buenas peu-a indicar que tipo de alejamiento de l normalidad se presenta (i.e. asimetra o kurtosis). Relativo a los estadsticos de Srivastava {t[^ y b2p) se ve de las tablas 1 y 2, que su potencia es inferior a los de Mardia y a los de Small.

SERGIO YEZ, MARIO JARAMILLO Y JUAN CORREA

13

Bera y John (1983) afirman que sus estadsticce (Ci,C2 y C3) se comportan globalmente mejor que los estadsticos &i,p y bj.p de Mardia. De las tablas 1 y 2, se observa que dicho comportamiento no es globalmente superior comparado con los estadsticos de Mardia y los de Small. Adems para la uniforme (0,1) su comportamiento es d peor, como era de espararse pues dichos estadsticos se construyen para alternativas de Pearson. E^stas restricciones hacen que dichos estadsticos sean poco utilizados en la prctica. Horswell y Looney (1993a), en detallado estudio, comparan los estadsticos a'n invtuiantes de Mardia (1970) y Mardia y Foster (1983) con los dependientes de coordenadas de Small (1980) y concluye que no hay superioridad clara de un grupo de tests al otro. Sin embargo, observa que la prctca comn de chequear multinormalidad por medio de pruebas marginal^ de normalidad univariada (procedimiento que es dependiente de coordenadas) puede representar una prdida considerable de potencia incluso cuando las marginales no son normales. Esto lo comprueban al hacer transformaciones afines sobre la Beta(.l,.l), por ejemplo, y observar que la potencia de Q2 y Q3 bajan considerablemente; esto es lo que llama "invisibilidad" de la asimetra y km-tosis totales de las marginales. En trminos prcticos, sugiere utilizar conjuntamente los dos tipos de tests, controlando el tamao muestred y el nmero de variables que afectan la regin crtica. Este trabajo de Horswell y Looney (1993a) al comparar potencias contra alternativas no multinrmales con asimetra y kurtosis multinrmales, encuentra que ningn test se comporta bien. En la tablas 1 y 2 se presenta vm resumen en las filas i.Ld. GEPl y i.i.d. GEP2, incluyendo a los estadsticos revisados en este artculo. Esto reafirma la opinin de Andrews et al (1973) y Gnanadesikan (1977) ea el sentido de la necesidad de tcnicas con diferentes sensibilidades a los distintos tipos de alejamiito de la multinormalidad. Estos ltimos autores afiri^ian que "buscar un nico mtodo que sea el mejor no es prctico ni necesario". Rdi^vo a los estad&ticos coijtmtos (e.g., S^tQs) se puede s^rmar a>n Koziol (1986), qae a pesar de su utilidad exploratoria, como medidas propiamente multivariadas, debe tenerse cuidado pues pueden ser insensibles a alejami^tos de la multinormalidad que son solo visibles ottre subccsyuQU (te las variables. Finhaeate los estadsticos de Mardia y Kent (1991) obtenidos analticar m^ate isndo el principio Sove de Rao, no presoitan resultados supericnes ea comparadn con le, estadsticos ori^arios 6i,p y b3,p de MarcBa (1970); vase tablas 1 y 2 para el compartniento de T4 vs 63.^; para . compturtmirato de T. vs bi,p y b2,p, vase tabla 3 donde se presenta im resomra dd estudio de potaida realizado p < M - Yaez y Correa (1997), para n=50, ps=4, o = .10, nmero de dmuIaciones^slOOO, y las alternativas: i.i.d. uniforme (0,1) (simtrica y Icurtosis negativa). i.Ld. 1(^(0,1) (asntrica). i.i.d. t(4) (simtrica y kiutosis negativa).

^^w

^B"

i-'i^>JM

14

UNA REVISIN DE MEDIDAS MULTIVARIADAS DE ASIMETRA

i.i.d. GEPl, GEP2. Mezclas de multinrmales: .75N(/i, E)-h.25N(0,1) con las siguientes alternativas: i) ti = (3, 3,3,3)' , E =-1 i) M= 0, E = 3 I iii) / = 0, <rij = l , G i j = .9 i ^ 3 iv) M= 0, Oij = .91' -Jl v) M= (3, 3,3,3)^, Ou = 1, O i j ^ .9 i^3 Tablas Distribucin bi,p b2,P T i.i.d. /(0,1) 0 100 0 i.i.d. logiV 100 100 100 i.i.d. (4) 80 85 87 i.i.d. GEPl 9 5 0 i.i.d. GEP2 12 10 0 34 10 14 mezcla i) mezcla ii) 34 43 36 mezcla i) 96 100 100 mezcla iv) 90 97 98 mezcla v) 43 63 70

4. Conclusiones Este estudio de simulacin permite destacar las siguientes conclusin^ experimentales basadas en las evaluaciones de las pruebas en cuanto a su potencia, para las distintas combinaciones de n = 30, 50, 100, 200; p=2, 5, 7, 10; a = .10 y.05. Los estadsticos derivados formalmente utilizando d principio Score de Rao o la nocin de tests suaves de Neymam no se comportan mejor como pruebas de multinormalidad que las desarrolladas como generalizaciones de nociones univariadas. A pesar de sus propiedades como tests formales, al establ:er las hiptesis alternativas limitan la gran variedad de distribuciones pro{>ias del trabajo multivariado. Por ello se recomienda en trminos prcticos, utilizar conjuntamente las pruebas basadas en &i,p y 62,p que son un esquena potente para detectar multinormalidad contra una amplia variedad de distribuciones altemat\s. Adems al aceptar las hiptesis de ^i,p = O y ^,p = p{;p -f- 2) se garantiza el uso de los tests inferenciales clsicos basados en la multinormaUdad, estas propiedades de robustez son sealadas en Mardia, Kat y Bibby (1979, pgs. 148-149).

SERGIO YEZ, MARIO JARAMILLO Y JUAN CORREA

15

Fintdmente, es pertinente anotar con D'Agostino y Stephens (1987, pg. 4) que el tema de pruebas para multinormalidad, dentro del trabajo de tcnicas de bondad de ajuste, tiene todava mudios problemas abiertos.

5. Referencias
1. Atttfrws, D.F., Gnanadesikan, R. and Warner, J.L., Methoda for asaeaing midivariate niarmaUty, In Muitiwiate Anal]^is-III. p. Krishnaiah (ed.) (1973), 95-116, Academic Press, New york,. 2. Bera, A. and John, S., Teat for multivariate normality whith Pearson altematives, ComunKations in Statmtics, Part A-Theory and Methods 12 (1983), 103-117. 3. Bowman, K.O. and Shenton, L.R., mnibus teat amtows for departures from normtiiy based on y/Ei and 63, Biometrika 62 (1975), 243-250. 4. D'Agostino, R.B. ana Stephens, M.A., Goodneaa-of-fU Technique, Marcel Dekker (1986), New York. 5. Gnanadesikan, R., Methoda for Statiatical Data Anaiyaia of Multivariate Obaervationa, John Wltey (1977), New York. 6. Honwell, R. L. and Looney, S. W., A comparison of teat for mtiMvariate normatty that are iaaed on meaaurea of maltiwaiate ikeameaa and kvtrtoaia, J. Statist. C(Hiq>ut. Simul. 1 (1993a), 21-38. 7. Horswell, R. L. and Looney, S. W., Diagnostiea (tmitotons of akeaneaa a ^ ^ d e n t a in aaeamg departurea from uni-variate and rmdtioarwte normoft!, Comunkations in Statistk^ Part B-Simulation 22 (1993b), 437-4S9. 8. Johnson, M. E., M-uUiariate Staiistieai Simvation, Johit WUey (1987), New York. 9. Jones, M.C. and Sibson, R., What ia Prt^ection Pursuf (viith iacuaaion), 3. R. Star tisticd Society, Series A, 150 P a r t 1 (1987), 1-36. 10. Koziol, J. A., Aaaeasing mtdtivariate normaity: A compendiitm, Communications in Statistics, Part A-Theory and Methods 15 (1986), 2763-2783. 11. Kosiol, J. A., A note on meaaurea ofmuivariate kurtoai, Biometrical Joumal 31 (1989), 619-624. 12. Kool, J. A., Probabiiity plata for aaaeaang multivariate normoliy, The Statistician 42 (1993), 161-173. 13. Malkovich, J. F. and Afi, A. A., On testa far multivariate normaty, Joumal of the American Statistical Association 68 (19773), 176-179. 14. Mar^a, K. V., Meaaurea of TmdUvariate akewneaa and kurtosi with apj^icationa, Bioraetiibk 67 (1970), 519-530 15. M a r c ^ K. V., Applieationa of same meaaurea of mvtUvariate Aemnesa and kurtosi in t^tfig normaty and robustness studies, Sankhy: The Indiaii Jouraal ( Statistics, Series B, Part 2 36 (1974), 115-128. 16. Mardia, K. V., Assesment 0/ muttinormality and the rtAuine of HoUUmg'a 1^ test, Kp^&eA Statistics 24 (1975), 163-171. 17. Manfla, K.V., iPest ofwmairiaU asna muiNvarate normatii, In Handbook of St^ktes. A n a l y s ^ Vsiiance I, (1980), 279-320, P. Krishnaiah (ed.). North-Holand, Anvterdam. 18. Mardia, K. V., >isciisston ofpofer by M. C. Jone and A. ^bson, Joumal of the Roy^ Statistica] Socie^, Series A 180 (1987). 22-23. 19. Mardia, K. V. and Rister, K., Omnibta teat of rmuUmermiily based ott stomess id iurtosis, CoffiunicatiiH in statistks Part A-Tbeoiy and Methods 12(2) (1983), 207-221. 20. Mardia, K. V., Kent, J. T. and Bibby, J. M., Afultvoriae Anaftrsis, ACMIMIIC Prees (1979), London.

16

UNA REVISIN DE MEDIDAS MULTIVARIADAS DE ASIMETRA

21. Mardia, K. V. and Kent, J. T., Rao score testa for goodneaa of fit and independence, Biometrika 78 (1991), 355-363. 22. Romeu, J. L. and Ozturk, A., A comparative atudy of goodneaa offit teata for mutivariate normality, Journal of Multivariate Analysis 46 (1993), 309-334. 23. Small, N. J. H., Marginal akewness and kia^oaia in teating mutivaritUe normality, Applied, statist. 29 (1^0), 85-87. 24. Srivastava, M. S., A meaaure of akewneaa and kurtoai and a graphietd method for aaaeaair^ multivariate normality, Statistics and Probability Letters (1984), 263-267. 25. Yez, S. y Correa, J. C , Reporte Tcnico: Eatuio de potenoia det eatadteo T de Mardia y Keni, Universidad Nacional de Colombia-Sede MedelUn (1997).

You might also like