Distribucion Normal Multivariada

Analisis Multivariante.
Licenciatura en Ciencias y Tecnicas Estadsticas

Curso 2013/2014. Prof. Dr. Francisco de Ass Torres Ruiz
Tema 1: Distribuci
on normal multivariante
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 1 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Analisis Multivariante. Licenciatura en Ciencias y Tecnicas Estadsticas

Curso 2013/2014. Prof. Dr. Francisco de Ass Torres Ruiz
Tema 1: Distribuci
on normal multivariante
Indice
1. Distribuci
on normal multivariante. Aspectos probabilsticos
1.1. Definicion. Media y matriz de covarianzas . . . . . . . . . . .
1.2. Algunas propiedades. Tipificacion. Funcion caracterstica . . .
1.3. Caracterizacion de la ley normal . . . . . . . . . . . . . . . . .
1.4. Distribuciones marginales y condicionadas . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
4
6
8
P
agina www
P
agina inicial
2. Distribuci
on normal multivariante degenerada. Caracterizaciones
2.1. Funcion caracterstica y distribucion . . . . . . . . . . . . . . . . . . . . . .
2.2. Distribuciones condicionadas . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Complementos
3.1. El problema de L`evy-Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
17
21
30
30
Contenido
JJ
II
P
agina 1 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
1.
1.1.
Distribuci
Definici
on. Media y matriz de covarianzas
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 2 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
1.
1.1.
Distribuci
Definici
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.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 2 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
1.
1.1.
Distribuci
Definici
Definici
on 1.1.1. Un vector aleatorio X = (X1 , . . . , Xp )0 que toma valores en Rp se distribuye seg
un una ley normal normal p-variante si su densidad es de la forma

1
1
0 1
f (x) =
(x ) (x ) , x = (x1 , . . . , xp ) Rp
(1)
p
1 exp
2
(2) 2 | | 2
donde pp es una matriz simetrica definida positiva y Rp .
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 2 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
1.
1.1.
Distribuci
Definici
Definici

1
1
0 1
f (x) =
(x ) (x ) , x = (x1 , . . . , xp ) Rp
(1)
p
1 exp
2
(2) 2 | | 2
Ahora verificaremos que la funcion (1) es realmente una densidad. Necesitamos antes un
resultado tecnico.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 2 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
1.
1.1.
Distribuci
Definici
Definici

1
1
0 1
f (x) =
(x ) (x ) , x = (x1 , . . . , xp ) Rp
(1)
p
1 exp
2
(2) 2 | | 2
resultado tecnico.
Lema 1.1.1. Sea X un vector aleatorio p-dimensional con funcion de densidad f definida
en Rp . Si Cpp es una matriz no singular entonces la densidad del vector aleatorio Y = CX
viene dada por h(y) = f (C1 y) | C |1 , y Rp .
Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 2 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
1.
1.1.
Distribuci
Definici
Definici

1
1
0 1
f (x) =
(x ) (x ) , x = (x1 , . . . , xp ) Rp
(1)
p
1 exp
2
(2) 2 | | 2
resultado tecnico.
Lema 1.1.1. Sea X un vector aleatorio p-dimensional con funcion de densidad f definida
en Rp . Si Cpp es una matriz no singular entonces la densidad del vector aleatorio Y = CX
viene dada por h(y) = f (C1 y) | C |1 , y Rp .
Demostracion
Consideremos g : Rp Rp dada por y = g(x) = Cx. Como C es no singular, entonces
existe C1 y se verifica g 1 (y) = C1 y. Si llamamos c0ij a los elementos de C1 y notamos
p
X

1
1
g 1 (y) = g1 (y1 , . . . , yp ), . . . , gp1 (y1 , . . . , yp ) , entonces gi (y1 , . . . , yp ) =
c0ij yj de donde
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 2 de 32
Regresar
Pantalla completa
j=1
gi1 (y1 , . . . , yp )
= c0il , i, l = 1, . . . , p, por lo que J =| C1 |=| C |1 . Aplicando el teorema de
yl
cambio de variable, y teniendo en cuenta que la funcion g transforma Rp en Rp se concluye
el resultado
Cerrar
Abandonar
Teorema 1.1.1. La funci

on (1) es una densidad. Ademas E[X] = y Cov[X] = .
Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 3 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

Demostracion
En primer lugar, f (x) 0, x Rp pues | |> 0. Por otro lado, como > 0 entonces
Cpp no singular tal que = CC0 . Sea el cambio de variable Y = C1 X. A partir del lema
anterior el jacobiano de la transformacion inversa es J =| C |. Ademas | |=| C |2 , por lo
1
que | C |=| | 2 . Con todo ello
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 3 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

Demostracion
1

1
0 1
(x ) (x ) dx
p
1 exp
2
Rp (2) 2 | | 2

Z
1
1
| |2
0
=
exp (Cy )0 C 1 C1 (Cy ) dy
p
p (2) 2 | | 12
2
R

Z
1
1
0
(y C1 )0 C0 C 1 C1 C(y C1 ) dy
=
p exp
p (2) 2
2

ZR
1
1
=
(y )0 (y ) dy
p exp
p (2) 2
2
R

Z
p
Y
1
1
exp (yi i )2 dyi = 1
donde = C1
=
2
2
i=1 R
Z
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 3 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

Demostracion
1

1
0 1
(x ) (x ) dx
p
1 exp
2
Rp (2) 2 | | 2

Z
1
1
| |2
0
=
p
p (2) 2 | | 12
2
R

Z
1
1
0
(y C1 )0 C0 C 1 C1 C(y C1 ) dy
=
p exp
p (2) 2
2

ZR
1
1
=
(y )0 (y ) dy
p exp
p (2) 2
2
R

Z
p
Y
1
1
donde = C1
=
2
2
i=1 R
Z
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 3 de 32
A partir del calculo anterior se deduce que el vector Y tiene por densidad

1
1
(y )0 (y )
p exp
2
(2) 2
Regresar
Pantalla completa
Cerrar
Abandonar

Demostracion
1

1
0 1
(x ) (x ) dx
p
1 exp
2
Rp (2) 2 | | 2

Z
1
1
| |2
0
=
p
p (2) 2 | | 12
2
R

Z
1
1
0
(y C1 )0 C0 C 1 C1 C(y C1 ) dy
=
p exp
p (2) 2
2

ZR
1
1
=
(y )0 (y ) dy
p exp
p (2) 2
2
R

Z
p
Y
1
1
donde = C1
=
2
2
i=1 R
Z
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 3 de 32
A partir del calculo anterior se deduce que el vector Y tiene por densidad

1
1
(y )0 (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.
Regresar
Pantalla completa
Cerrar
Abandonar
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]C0 = CC0 =
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 4 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
E[X] = E[CY] = C = CC = .

1.2.
Algunas propiedades. Tipificaci

on. Funci
on caracterstica
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.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 4 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
E[X] = E[CY] = C = CC = .

1.2.

on. Funci
on caracterstica
Teorema 1.2.1. Sea X
Np [; ] con > 0.
1. Si = diag(12 , . . . , p2 ) entonces Xi
son independientes.
N1 [i ; i2 ], i = 1, . . . , p y ademas dichas variables
2. Sea Bpp no singular y sea Y = BX. Entonces Y
Np [B; BB0 ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 4 de 32
Demostracion
Regresar
Pantalla completa
Cerrar
Abandonar

1
E[X] = E[CY] = C = CC = .

1.2.

on. Funci
on caracterstica
Np [; ] con > 0.
1. Si = diag(12 , . . . , p2 ) entonces Xi
son independientes.
N1 [i ; i2 ], i = 1, . . . , p y ademas dichas variables
2. Sea Bpp no singular y sea Y = BX. Entonces Y
Np [B; BB0 ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 4 de 32
Demostracion
Regresar
1. A partir de la expresion generica de la densidad normal tendremos:

1
1
f (x) =
(x )0 1 (x )
p
1 exp
2
(2) 2 | | 2
!

p
p
2
X
Y
1 (xi i )2
1
1
1
(xi i )
p
exp
=
exp
=
p
2
2
Y
2
2
i2
2
p
i
i
i=1
i=1
(2) 2
i
i=1
Pantalla completa
Cerrar
Abandonar
De esta expresion se deduce, integrando en Rp1 , que las marginales se distribuyen seg
un
2
normales unidimensionales N1 [i ; i ] y son independientes.
2. Dado el cambio Y = BX, el jacobiano de la transformacion inversa es | B |1 . Por tanto

| B |1
1 1
0 1
1
h(y) =
(B y ) (B y )
p
1 exp
2
(2) 2 | | 2

1
1
0 0 1 1 1
exp (y B) B B (y B)
=
p
1
2
(2) 2 | | 2 | B |

1
1
0
0 1
=
(y B) (BB ) (y B)

p
1 exp
2
(2) 2 | BB0 | 2
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 5 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
un
2

| B |1
1 1
0 1
1
h(y) =
(B y ) (B y )
p
1 exp
2
(2) 2 | | 2

1
1
0 0 1 1 1
exp (y B) B B (y B)
=
p
1
2
(2) 2 | | 2 | B |

1
1
0
0 1
=
(y B) (BB ) (y B)

p
1 exp
2
(2) 2 | BB0 | 2
Nota 1.2.1. Como es definida positiva, entonces = CC0 . Sea el cambio de variable
Y = C1 (X ). Entonces, aplicando el resultado anterior, se tiene que Y
Np [0; Ip ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 5 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
un
2

| B |1
1 1
0 1
1
h(y) =
(B y ) (B y )
p
1 exp
2
(2) 2 | | 2

1
1
0 0 1 1 1
exp (y B) B B (y B)
=
p
1
2
(2) 2 | | 2 | B |

1
1
0
0 1
=
(y B) (BB ) (y B)

p
1 exp
2
(2) 2 | BB0 | 2
Np [0; Ip ].
Finalmente se calcula la funcion caracterstica de la ley normal.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 5 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
un
2

| B |1
1 1
0 1
1
h(y) =
(B y ) (B y )
p
1 exp
2
(2) 2 | | 2

1
1
0 0 1 1 1
exp (y B) B B (y B)
=
p
1
2
(2) 2 | | 2 | B |

1
1
0
0 1
=
(y B) (BB ) (y B)

p
1 exp
2
(2) 2 | BB0 | 2
Np [0; Ip ].
Teorema 1.2.2. Sea X ; Np [; ] con > 0. Entonces su funcion caracterstica viene
dada por

1 0
0
, Rp
X () = exp i
2
Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 5 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
un
2

| B |1
1 1
0 1
1
h(y) =
(B y ) (B y )
p
1 exp
2
(2) 2 | | 2

1
1
0 0 1 1 1
exp (y B) B B (y B)
=
p
1
2
(2) 2 | | 2 | B |

1
1
0
0 1
=
(y B) (BB ) (y B)

p
1 exp
2
(2) 2 | BB0 | 2
Np [0; Ip ].
Teorema 1.2.2. Sea X ; Np [; ] con > 0. Entonces su funcion caracterstica viene
dada por

1 0
0
, Rp
X () = exp i
2
Demostracion
Empezaremos tratando el caso = Ip .

Z
p Z
Y
1
1
1
1
0
exp itj yj yj2 dyj
Y (t) = E[eit Y ] =
it0 y y 0 y dy =
p exp
p (2) 2
2
2
2
R
j=1 R

p
p
Y
Y
1 2
1 0
=
Yj (tj ) =
exp tj = exp t t
2
2
j=1
j=1
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 5 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
donde se ha usado la forma de la funcion caracterstica para la normal unidimensional.

A partir de ello se tendra, retomando el cambio de la tipificacion = CC0 :
0
X () = E[ei X ] = E[ei (CY+) ] = ei E[ei CY ] = ei Y (C0 )

1
1
0
= ei exp 0 CC0 = exp i0 0 , Rp
2
2
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 6 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

0

1
1
0
2
2
1.3.
Caracterizaci
on de la ley normal
El siguiente resultado conduce a una interesante caracterizacion de la ley normal multivariante.

P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 6 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

0

1
1
0
2
2
1.3.
Caracterizaci
on de la ley normal

Np [; ] con > 0.
1. Sea Aqp una matriz de constantes con rg(A) = q p. Entonces
Y = AX
Nq [A; AA0 ]
2. Toda combinaci
on lineal de las componentes de un vector aleatorio normal es una variable normal unidimensional.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 6 de 32
3. La condici
on necesaria y suficiente para que un vector aleatorio X se distribuya de forma
normal multivariante es que cualquier combinacion lineal de sus componentes sea una
variable aleatoria unidimensional que se distribuya de forma normal.
Demostracion
Regresar
Pantalla completa
Cerrar
Abandonar

0

1
1
0
2
2
1.3.
Caracterizaci
on de la ley normal

Np [; ] con > 0.
Y = AX
Nq [A; AA0 ]
2. Toda combinaci
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 6 de 32
3. La condici
Demostracion
1. Basandonos en la funcion caracterstica se tiene:

1
0
0
Y (t) = E[eit Y ] = E[eit AX ] = X (A0 t) = exp it0 A t0 AA0 t
2
de donde se obtiene el resultado.
Regresar
Pantalla completa
Cerrar
Abandonar

0

1
1
0
2
2
1.3.
Caracterizaci
on de la ley normal

Np [; ] con > 0.
Y = AX
Nq [A; AA0 ]
2. Toda combinaci
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 6 de 32
3. La condici
Demostracion
Regresar
Pantalla completa
Cerrar
Abandonar
1. Basandonos en la funcion caracterstica se tiene:

1
Y (t) = E[eit Y ] = E[eit AX ] = X (A0 t) = exp it0 A t0 AA0 t
2
0
2. Es inmediato, tomando en el apartado anterior A como un vector p 1. Notemos que,

en particular, cada componente es normal unidimensional.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 7 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
3. Falta por verificar la condicion suficiente. As pues partimos de que l Rp se tiene que
l0 X
N1 [l0 ; l0 l]. Con ello
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
l0 X (t, l) = E[eitl X ] = exp itl0 t2 l0 l
2
En particular
0
t R ; l Rp
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
2
En particular
0
t R ; l Rp

1
l0 X (1, l) = E[eil X ] = exp il0 l0 l = X (l) , l Rp
2
0
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
2
En particular
0
t R ; l Rp

1
2
0
Notemos que tenemos ya cuatro formas de definir la densidad normal, con > 0.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
2
En particular
0
t R ; l Rp

1
2
0
1. A partir de su funcion de densidad.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
2
En particular
0
t R ; l Rp

1
2
0
P
agina www
2. A partir de su funcion caracterstica.
P
agina inicial
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
2
En particular
0
t R ; l Rp

1
2
0
P
agina www
P
agina inicial
3. Xp1 se distribuye de forma normal p-dimensional s y solo s toda combinacion lineal

de sus componentes se distribuye como una normal unidimensional.
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
2
En particular
0
t R ; l Rp

1
2
0
P
agina www
P
agina inicial

4. X
Np [; ], con > 0, s y solo s X se distribuye como + AU, donde = AA0
(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.
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
l0 X

1
2
En particular
0
t R ; l Rp

1
2
0
P
agina www
P
agina inicial

4. X
Np [; ], con > 0, s y solo s X se distribuye como + AU, donde = AA0
(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.
Contenido
JJ
II
P
agina 8 de 32
Regresar
Pantalla completa
1.4.
Distribuciones marginales y condicionadas
Sea X
Np [; ], con > 0 y particionemoslo en la forma X = (X0(1) | X0(2) )0 donde X(1) es
q-dimensional y X(2) es (p q)-dimensional. Supongamos en y las particiones inducidas
Cerrar
Abandonar
a partir de la anterior, o sea

=
(1)
(2)

; =
11 12
21 22
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 9 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Teorema 1.4.1. En las condiciones anteriores,

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]
2. Si 12 = 21 = 0 entonces X(1) y X(2) son independientes.

Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 10 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion
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; CC0 ].
Realizando las operaciones se concluye que Y = X(1)
Nq [(1) ; 11 ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 10 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion
Nq [C; CC0 ].
Nq [(1) ; 11 ].
Para calcular la densidad de X(2) basta considerar C = [0(pq)q | Ipq ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 10 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion
Nq [C; CC0 ].
Nq [(1) ; 11 ].
2. La demostracion es inmediata sin mas que tener en cuenta que en este caso la densidad
conjunta factoriza. En efecto:
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 10 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion
Nq [C; CC0 ].
Nq [(1) ; 11 ].
2. La demostracion es inmediata sin mas que tener en cuenta que en este caso la densidad
conjunta factoriza. En efecto:
P
agina www
P
agina inicial

1
0 1
(x ) (x )
f (x) =
p
1 exp
2
(2) 2 | | 2
1
=
p
1
1
(2) 2 | 11 | 2 | 22 | 2

1

1
x
0
(1)
(1)
11
exp ((x(1) (1) ) | (x(2) (2) ))0
1
0 22
x(2) (2)
2

1
1
=
(x(1) (1) )0 1
q
1 exp
11 (x(1) (1) )
2
(2) 2 | 11 | 2

1
1
(x(2) (2) )0 1

pq
1 exp
22 (x(2) (2) )
2
(2) 2 | 22 | 2
1
Contenido
JJ
II
P
agina 10 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Teorema 1.4.2. En las condiciones del teorema anterior se tiene

1
1. X(2) 21 11
X(1)
Npq [(2) 21 1
11 (1) ; 22.1 ]
2. X(1) y X(2) 21 1
11 X(1) son independientes.
3. X(2) | X(1) = x(1)
Npq [(2) + 21 1
11 (x(1) (1) ); 22.1 ]
donde 22.1 = 22 21 1
11 12
Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 11 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
1. X(2) 21 11
X(1)
Npq [(2) 21 1
11 (1) ; 22.1 ]
2. X(1) y X(2) 21 1
3. X(2) | X(1) = x(1)
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)
1
21 11
Ipq
y realicemos el cambio de variable Y = CX. Con ello es inmediato que Y

Pero
Np [C; CC0 ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 11 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
1. X(2) 21 11
X(1)
Npq [(2) 21 1
11 (1) ; 22.1 ]
2. X(1) y X(2) 21 1
3. X(2) | X(1) = x(1)
Npq [(2) + 21 1
11 (x(1) (1) ); 22.1 ]
donde 22.1 = 22 21 1
11 12
Demostracion

C=
Iq
0q(pq)
1
21 11
Ipq

Np [C; CC0 ].
Pero

X(1)
(1)
Y(1)
, C =
=
Y=
Y(2)
X(2) 21 1
(2) 21 1
11 X(1)
11 (1)
y
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 11 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
1. X(2) 21 11
X(1)
Npq [(2) 21 1
11 (1) ; 22.1 ]
2. X(1) y X(2) 21 1
3. X(2) | X(1) = x(1)
Npq [(2) + 21 1
11 (x(1) (1) ); 22.1 ]
donde 22.1 = 22 21 1
11 12
Demostracion

C=
Iq
0q(pq)
1
21 11
Ipq

Np [C; CC0 ].
Pero

X(1)
(1)
Y(1)
, C =
=
Y=
Y(2)
X(2) 21 1
(2) 21 1
11 X(1)
11 (1)
y

1
I
0
q
11
q
12
12
q(pq)
11
CC0 =
21 1
I
0
I
pq
21
22
pq
(pq)q
11

1
11
Iq
11
12
11 12
0q(pq)
=
=
0(pq)q 22.1
0(pq)q
Ipq
0(pq)q 22.1

P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 11 de 32
Regresar
Pantalla completa
Cerrar
de donde se deducen los dos primeros apartados.
Abandonar
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
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 12 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

f (y(1) , y(2) ) =
1
q
2
pq
2
(2) (2) | 11 | 2 | 22.1 | 2

1
1
0 1
0 1
exp (y(1) (1) ) 11 (y(1) (1) ) exp (y(2) ) 22.1 (y(2) )
2
2
donde = (2) 21 1
11 (1) .
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 12 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

f (y(1) , y(2) ) =
1
q
2
pq
2
(2) (2) | 11 | 2 | 22.1 | 2

1
1
0 1
0 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(1)
Y(1)
Iq
0q(pq)
Y(1)
X=
=
=
X(2)
Y(2) + 21 1
21 1
Ipq
Y(2)
11 Y(1)
11
P
agina www
la matriz jacobiana de la transformacion es Ip y con ello la densidad de X es
P
agina inicial
Contenido
JJ
II
P
agina 12 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

f (y(1) , y(2) ) =
1
q
2
pq
2
(2) (2) | 11 | 2 | 22.1 | 2

1
1
0 1
0 1
exp (y(1) (1) ) 11 (y(1) (1) ) exp (y(2) ) 22.1 (y(2) )
2
2
donde = (2) 21 1
11 (1) .

X(1)
Y(1)
Iq
0q(pq)
Y(1)
X=
=
=
X(2)
Y(2) + 21 1
21 1
Ipq
Y(2)
11 Y(1)
11
P
agina www
P
agina inicial
Contenido

1
1
0 1
f (x) =
(x(1) (1) ) 11 (x(1) (1) )
q
pq
1
1 exp
2
(2) 2 (2) 2 | 11 | 2 | 22.1 | 2

1
0 1
1
exp (x(2) 21 1
11 x(1) ) 22.1 (x(2) 21 11 x(1) )
2

1
1
0 1
=
(x(1) (1) ) 11 (x(1) (1) )
q
pq
1
1 exp
2
(2) 2 (2) 2 | 11 | 2 | 22.1 | 2

0 1

1
1
1
exp x(2) (2) 21 11 (x(1) (1) ) 22.1 x(2) (2) 21 11 (x(1) (1) )
2

JJ
II
P
agina 12 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

f (y(1) , y(2) ) =
1
q
2
pq
2
(2) (2) | 11 | 2 | 22.1 | 2

1
1
0 1
0 1
exp (y(1) (1) ) 11 (y(1) (1) ) exp (y(2) ) 22.1 (y(2) )
2
2
donde = (2) 21 1
11 (1) .

X(1)
Y(1)
Iq
0q(pq)
Y(1)
X=
=
=
X(2)
Y(2) + 21 1
21 1
Ipq
Y(2)
11 Y(1)
11
P
agina www
P
agina inicial
Contenido

1
1
0 1
f (x) =
(x(1) (1) ) 11 (x(1) (1) )
q
pq
1
1 exp
2
(2) 2 (2) 2 | 11 | 2 | 22.1 | 2

1
0 1
1
exp (x(2) 21 1
11 x(1) ) 22.1 (x(2) 21 11 x(1) )
2

1
1
0 1
=
(x(1) (1) ) 11 (x(1) (1) )
q
pq
1
1 exp
2
(2) 2 (2) 2 | 11 | 2 | 22.1 | 2

0 1

1
1
1
exp x(2) (2) 21 11 (x(1) (1) ) 22.1 x(2) (2) 21 11 (x(1) (1) )
2

JJ
II
P
agina 12 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
de donde
1
f (x(2) | X(1) = x(1) ) =
pq
1
(2) 2 | 22.1 | 2

0 1

1
1
1

exp x(2) (2) 21 11 (x(1) (1) ) 22.1 x(2) (2) 21 11 (x(1) (1) )
2
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 13 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
1. X(1) 12 22
X(2)
Nq [(1) 12 1
22 (2) ; 11,2 ]
2. X(2) y X(1) 12 1
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
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 14 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
1. X(1) 12 22
X(2)
Nq [(1) 12 1
22 (2) ; 11,2 ]
2. X(2) y X(1) 12 1
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
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 14 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1) 12 1
22 X(2)
Nq [(1) 12 1
22 (2) ; 11,2 ]
2. X(2) y X(1) 12 1
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
P
agina www
P
agina inicial
Contenido
Nota 1.4.1. Tambien se puede calcular la distribucion condicionada de forma directa sin
necesidad de pasar por el cambio de variable anterior. El precio que hay que pagar por ello
es un considerable aumento en los calculos, que pasan por descomponer la forma cuadratica
de la exponencial de la densidad normal. En efecto, teniendo en cuenta la inversa de una
matriz particionada por cajas se tiene:
JJ
II
P
agina 14 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
(x )0 1 (x )
0
= ((x(1) (1) ) | (x(2) (2) ))
1
1
1
1
1
1
11 + 11 12 22.1 21 11 11 12 22.1
1
1
1
22.1 21 11
22.1

x(1) (1)
x(2) (2)
0 1
1
1
0 1
1
= (x(1) (1) )0 1
11 + (x(1) (1) ) 11 12 22.1 21 11 (x(2) (2) ) 22.1 21 11 |

x(1) (1)
0 1
1
0 1
(x(1) (1) ) 11 12 22.1 + (x(2) (2) ) 22.1
x(2) (2)
0 1
1
1
= (x(1) (1) )0 1
11 (x(1) (1) ) + (x(1) (1) ) 11 12 22.1 21 11 (x(1) (1) )
1
0 1
1
(x(2) (2) )0 1
22.1 21 11 (x(1) (1) ) (x(1) (1) ) 11 12 22.1 (x(2) (2) )
+ (x(2) (2) )0 1
22.1 (x(2) (2) )
P
agina www
P
agina inicial
Contenido
0 1
= (x(1) (1) ) 1
11 (x(1) (1) ) + (x(2) (2) ) 22.1 (x(2) (2) )
1
0 1
1
1
2(x(2) (2) )0 1
22.1 12 11 (x(1) (1) ) + (x(1) (1) ) 11 12 22.1 21 11 (x(1)
= (x(1) (1) )0 1
11 (x(1) (1) )
1

1
+ (x(2) (2) )0 (x(1) (1) )0 1
(x
)
12
21
(2)
(2)
(1)
(1)
11
22.1
11
(1) )
JJ
II
P
agina 15 de 32
Regresar
Pantalla completa
= (x(1) (1) )0 1
11 (x(1) (1) )
0 1

1
+ x(2) (2) 21 1
(x
(x
)
21
(1)
(1)
(2)
(2)
(1)
(1)
11
22.1
11
0 1
= (x(1) (1) )0 1
11 (x(1) (1) ) + (x(2) ) 22.1 (x(2) )
Cerrar
Abandonar
y teniendo en cuenta que | |=| 22 || 11.2 |=| 11 || 22.1 | se tiene
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 16 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
y teniendo en cuenta que | |=| 22 || 11.2 |=| 11 || 22.1 | se tiene

f (x(2) | X(1) = x(1) )

1
(2) | | exp (x )0 1 (x )
2

=
1
q
1
0
1
(2) 2 | 11 | 2 exp (x(1) (1) ) 11 (x(1) (1) )
2
p
1
1
(2) 2 | 11 | 2 | 22.1 | 2

=
1
q
1
0
1
(2) 2 | 11 | 2 exp (x(1) (1) ) 11 (x(1) (1) )
2

1
1
0 1
exp (x(1) (1) )0 1
11 (x(1) (1) ) (x(2) ) 22.1 (x(2) )
2
2

(pq)
1
1
= (2) 2 | 22.1 | 2 exp (x(2) )0 1
22.1 (x(2) )
2
p2
21
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 16 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
2.
2.1.
Distribuci
Funci
on caracterstica y distribuci
on
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 17 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
2.
2.1.
Distribuci
Funci
on
Sabemos que un vector aleatorio p-dimensional X se distribuye seg

un una normal con media
y matriz de varianzas-covarianzas > 0 s y solo s X se distribuye como lo haga + AU
donde App es una matriz no singular tal que = AA0 y U
Np [0; Ip ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 17 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
2.
2.1.
Distribuci
Funci
on

Np [0; Ip ].
A partir de la definicion anterior se puede calcular la funcion caracterstica para X puesto
que es conocida la de la ley normal esferica. En efecto, se tendra:
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 17 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
2.
2.1.
Distribuci
Funci
on

Np [0; Ip ].

h 0 i
h 0
i
1
0
X (t) = E eit X = E eit (+AU) = eit U (A0 t) = exp it0 t0 t
2
Esta funcion existe, a
un cuando 0, por lo que pasamos a estudiar la distribucion de X
en terminos de una representacion como la dada en el caso definido positivo.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 17 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
2.
2.1.
Distribuci
Funci
on

Np [0; Ip ].

h 0 i
h 0
i
1
0
2
Teorema 2.1.1. Un vector aleatorio p-dimensional X se distribuye seg
un una normal con
media y matriz de varianzas-covarianzas 0 s y solo s X se distribuye como lo haga
+ BU donde Bpr es una matriz de rango r p tal que = BB0 y U
Nr [0; Ir ].
Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 17 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
2.
2.1.
Distribuci
Funci
on

Np [0; Ip ].

h 0 i
h 0
i
1
0
2
Teorema 2.1.1. Un vector aleatorio p-dimensional X se distribuye seg
un una normal con
media y matriz de varianzas-covarianzas 0 s y solo s X se distribuye como lo haga
+ BU donde Bpr es una matriz de rango r p tal que = BB0 y U
Nr [0; Ir ].
Demostracion
Dada 0 con rango r p, existe Hpp ortogonal tal que

D 0
H0
=H
0 0
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 17 de 32
Regresar
Pantalla completa
Cerrar
donde D es diagonal no singular. Pongamos H en la forma H = (H1 | H2 ) donde H1 es de

dimension p r y H2 lo es p (p r). Con ello se tiene
Abandonar

1
exp it0 t0 t = exp it0
2

= exp it0

= exp it0

1 0
D 0
tH
H0 t
0 0
2

0
1 0
D 0
H1
t (H1 | H2 )
t
0 0
H02
2
0

1 0
1
H1
t (H1 D | 0)
t = exp it0 t0 H1 D H01 t
0
H2
2
2
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 18 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
2

= exp it0

= exp it0

1 0
D 0
tH
H0 t
0 0
2

0
1 0
D 0
H1
t (H1 | H2 )
t
0 0
H02
2
0

1 0
1
H1
t (H1 D | 0)
0
H2
2
2
Hacemos el cambio parametrico H0 = p1 ( = H)

0

0
t
H
H
1
1
1
=
t=
H0 t =
H02
H02 t
2
P
agina www
Con ello
P
agina inicial
Contenido
JJ
II
P
agina 18 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
2

= exp it0

= exp it0

1 0
D 0
tH
H0 t
0 0
2

0
1 0
D 0
H1
t (H1 | H2 )
t
0 0
H02
2
0

1 0
1
H1
t (H1 D | 0)
0
H2
2
2

0

0
t
H
H
1
1
1
=
t=
H0 t =
H02
H02 t
2
P
agina www
Con ello
P
agina inicial
Contenido
1
exp it0 t0 H1 D H01 t
2

1
1
= exp it0 (H1 | H2 )
t0 H1 D H01 t
2
2

1
= exp it0 H1 1 + it0 H2 2 10 D 1
2

1
= exp i10 1 + i20 2 10 D 1
2

1 0
0
0
= exp (i2 2 ) exp i1 1 1 D 1
2
JJ
II
P
agina 18 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
2

= exp it0

= exp it0

1 0
D 0
tH
H0 t
0 0
2

0
1 0
D 0
H1
t (H1 | H2 )
t
0 0
H02
2
0

1 0
1
H1
t (H1 D | 0)
0
H2
2
2

0

0
t
H
H
1
1
1
=
t=
H0 t =
H02
H02 t
2
P
agina www
Con ello
P
agina inicial
Contenido

1
1
1
exp it0 t0 H1 D H01 t = exp it0 (H1 | H2 )
t0 H1 D H01 t
2
2
2

1
= exp it0 H1 1 + it0 H2 2 10 D 1
2

1
= exp i10 1 + i20 2 10 D 1
2

1 0
0
0
= exp (i2 2 ) exp i1 1 1 D 1
2
0

Y
H1 X
1
=
, con lo cual
Llamemos Y = H0 X
Y2
H02 X
JJ
II
P
agina 18 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1
2

= exp it0

= exp it0

1 0
D 0
tH
H0 t
0 0
2

0
1 0
D 0
H1
t (H1 | H2 )
t
0 0
H02
2
0

1 0
1
H1
t (H1 D | 0)
0
H2
2
2

0

0
t
H
H
1
1
1
=
t=
H0 t =
H02
H02 t
2
P
agina www
Con ello
P
agina inicial
Contenido

1
1
1
exp it0 t0 H1 D H01 t = exp it0 (H1 | H2 )
t0 H1 D H01 t
2
2
2

1
= exp it0 H1 1 + it0 H2 2 10 D 1
2

1
= exp i10 1 + i20 2 10 D 1
2

1 0
0
0
= exp (i2 2 ) exp i1 1 1 D 1
2
0

Y
H1 X
1
=
, con lo cual
Llamemos Y = H0 X
Y2
H02 X
JJ
II
P
agina 18 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
h 0 i
h 0 0 i
h 0 i
h 0
i
it X
it HH X
i Y
i1 Y1 i20 Y2
X (t) = E e
=E e
=E e
=E e
e
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 19 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
y as

h 0
i
1 0
i1 Y1 i20 Y2
0
0
e
= exp (i2 2 ) exp i1 1 1 D 1
X (t) = E e
2
de donde se deduce:
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 20 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
y as

h 0
i
1 0
i1 Y1 i20 Y2
0
0
e
= exp (i2 2 ) exp i1 1 1 D 1
X (t) = E e
2
de donde se deduce:
1. Y1 e Y2 son independientes.
2. Y1
Nr [1 ; D ].
3. Y2 es la ley degenerada en 2 , o sea, P[Y2 = 2 ] = 1.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 20 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
y as

h 0
i
1 0
i1 Y1 i20 Y2
0
0
e
= exp (i2 2 ) exp i1 1 1 D 1
X (t) = E e
2
de donde se deduce:
2. Y1
Nr [1 ; D ].

1
Con ello, y puesto que D es no singular se tiene Y1 = 1 + D2 U, (U

Y=
por lo que
Y1
Y2
1
2

=
1 + D U
2 + 0U

=
1
2
1
2

+
D
0
Nr [0; Ir ]) y as
P
agina www
U
P
agina inicial
Contenido
JJ
II
P
agina 20 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
y as

h 0
i
1 0
i1 Y1 i20 Y2
0
0
e
= exp (i2 2 ) exp i1 1 1 D 1
X (t) = E e
2
de donde se deduce:
2. Y1
Nr [1 ; D ].

1

Y=
Y1
Y2
1
2

=
1 + D U
2 + 0U

=
1
2
1
2

+
D
0
Nr [0; Ir ]) y as
P
agina www
U
P
agina inicial
por lo que
Contenido
X = HY = H + H
1
2
D
0
1
2
U = + BU
con B = H
D
0
JJ
II
P
agina 20 de 32
Ademas
Regresar
Pantalla completa
Cerrar
Abandonar
y as

h 0
i
1 0
i1 Y1 i20 Y2
0
0
e
= exp (i2 2 ) exp i1 1 1 D 1
X (t) = E e
2
de donde se deduce:
2. Y1
Nr [1 ; D ].

1

Y=
Y1
Y2
1
2

=
1 + D U
2 + 0U

=
1
2
1
2

+
D
0
Nr [0; Ir ]) y as
P
agina www
U
P
agina inicial
por lo que
Contenido
1
2
X = HY = H + H
D
0
1
2
U = + BU
con B = H
D
0
JJ
II
P
agina 20 de 32
Ademas
Regresar
1. BB0 = H
1
2
D
0
D2 | 0 H0 = H
D 0
0 0
H0 =
Pantalla completa
Cerrar
Abandonar
y as

h 0
i
1 0
i1 Y1 i20 Y2
0
0
e
= exp (i2 2 ) exp i1 1 1 D 1
X (t) = E e
2
de donde se deduce:
2. Y1
Nr [1 ; D ].

1

Y=
Y1
Y2
1
2
1 + D U
2 + 0U

=
1
2
1
2

+
D
0
Nr [0; Ir ]) y as
P
agina www
U
P
agina inicial
por lo que
Contenido
1
2
X = HY = H + H
D
0
1
2
U = + BU
con B = H
D
0
JJ
II
P
agina 20 de 32
Ademas
Regresar
1. BB0 = H
1
2
D
0
D2 | 0 H0 = H
1
2
2. rg(B) = r pues rg(B) = rg H
D
0
D 0
0 0
!!
=r
H0 =
Pantalla completa
Cerrar
Abandonar
Una vez caracterizada la distribucion podemos deducir las siguientes cuestiones que generalizan las obtenidas en el caso de definida positiva:
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0
1. En primer lugar la funcion caracterstica es X (t) = eit 2 t t , t Rp
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

2. A partir de la funcion caracterstica, si Y = AX con Aqp entonces Y
Nq [A; AA0 ].
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

Nq [A; AA0 ].
3. La caracterizacion en terminos de las combinaciones lineales del vector sigue siendo

valida puesto que si l0 l > 0 (l Rp ) se tiene que l0 X
N1 [l0 ; l0 l]. A
un en el caso
0
en que l0 l = 0 entonces l0 X (t) = eitl por lo que P[l0 X = l0 ] = 1 y se tiene la ley
degenerada en l0 que puede escribirse en la forma N1 [l0 ; 0]. As pues
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

Nq [A; AA0 ].

N1 [l0 ; l0 l]. A
un en el caso
0
X
Np [; ] ( 0) toda c.l. de X es una normal unidimensional.

P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

Nq [A; AA0 ].

N1 [l0 ; l0 l]. A
un en el caso
0
X

P
agina www
P
agina inicial
2.2.
Distribuciones condicionadas
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

Nq [A; AA0 ].

N1 [l0 ; l0 l]. A
un en el caso
0
X

P
agina www
P
agina inicial
2.2.
El problema que surge a la hora de tratar con esta distribucion es que su densidad no existe
en Rp sino en un hiperplano contenido en el. Por lo tanto necesitamos introducir una serie
de conceptos previos relacionados con la teora de espacios vectoriales.
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

Nq [A; AA0 ].

N1 [l0 ; l0 l]. A
un en el caso
0
X

P
agina www
P
agina inicial
2.2.
Definici
on 2.2.1. Sea Mnr una matriz. Se define
1. R(M) = {v Rn : v = Mu para alg
un u Rr }. Notemos que R(M) es el espacio generado por las columnas de M.
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

Nq [A; AA0 ].

N1 [l0 ; l0 l]. A
un en el caso
0
X

P
agina www
P
agina inicial
2.2.
Definici
2. K(M) = {u Rr : Mu = 0} =n
ucleo de M.
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
0
1 0

Nq [A; AA0 ].

N1 [l0 ; l0 l]. A
un en el caso
0
X

P
agina www
P
agina inicial
2.2.
Definici
2. K(M) = {u Rr : Mu = 0} =n
ucleo de M.
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
A partir de la anterior definicion, considerando la aplicacion traspuesta y la definicion de

anulador de un subespacio vectorial, se verifica
0
1 0

Nq [A; AA0 ].

N1 [l0 ; l0 l]. A
un en el caso
0
X

P
agina www
P
agina inicial
2.2.
Definici
2. K(M) = {u Rr : Mu = 0} =n
ucleo de M.
Contenido
JJ
II
P
agina 21 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
A partir de la anterior definicion, considerando la aplicacion traspuesta y la definicion de

anulador de un subespacio vectorial, se verifica
Si K(M) K(M1 ) entonces R(M01 ) R(M0 )
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 22 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

11 12
Con todo esto sea
0 con 11 de dimension q q, 12 de dimension
21 22
q (p q), 21 = 012 y 22 de dimension (p q) (p q). Se verifica

P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 23 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

11 12
Con todo esto sea
21 22

Proposici
on 2.2.1. Si 0 viene particionada como antes, entonces
1. K(11 ) K(21 ) y R(12 ) R(11 )
2. K(22 ) K(12 ) y R(21 ) R(22 )
Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 23 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

11 12
Con todo esto sea
21 22

Proposici
1. K(11 ) K(21 ) y R(12 ) R(11 )
2. K(22 ) K(12 ) y R(21 ) R(22 )
Demostracion
Hagamos el apartado primero puesto que el segundo es analogo. Sea z K(11 ). Entonces
11 z = 0. Sea, R y y Rpq

11 12
z
0 0
(z , y )
= 2 z 0 11 z + 2y 0 21 z + y 0 22 y = 2y 0 21 z + y 0 22 y 0
21 22
y
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 23 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

11 12
Con todo esto sea
21 22

Proposici
1. K(11 ) K(21 ) y R(12 ) R(11 )
2. K(22 ) K(12 ) y R(21 ) R(22 )
Demostracion

11 12
z
0 0
(z , y )
= 2 z 0 11 z + 2y 0 21 z + y 0 22 y = 2y 0 21 z + y 0 22 y 0
21 22
y
P
agina www
P
agina inicial
En particular, para y = 21 z se tiene
Contenido
JJ
II
P
agina 23 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

11 12
Con todo esto sea
21 22

Proposici
1. K(11 ) K(21 ) y R(12 ) R(11 )
2. K(22 ) K(12 ) y R(21 ) R(22 )
Demostracion

11 12
z
0 0
(z , y )
= 2 z 0 11 z + 2y 0 21 z + y 0 22 y = 2y 0 21 z + y 0 22 y 0
21 22
y
P
agina www
P
agina inicial

2(21 z)0 21 z + z 0 12 22 21 z 0 21 z = 0
y con ello z K(21 ).
Contenido
JJ
II
P
agina 23 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

11 12
Con todo esto sea
21 22

Proposici
1. K(11 ) K(21 ) y R(12 ) R(11 )
2. K(22 ) K(12 ) y R(21 ) R(22 )
Demostracion

11 12
z
0 0
(z , y )
= 2 z 0 11 z + 2y 0 21 z + y 0 22 y = 2y 0 21 z + y 0 22 y 0
21 22
y
P
agina www
P
agina inicial

2(21 z)0 21 z + z 0 12 22 21 z 0 21 z = 0
En conclusion K(11 ) K(21 ). Ademas, por el comentario anterior se concluye que R(12 )
R(11 ). Al verificarse esto u
ltimo debe existir Kq(pq) tal que 12 = 11 K o, lo que es lo
mismo, debe existir una matriz Q(pq)q tal que 21 = Q11
Contenido
JJ
II
P
agina 23 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

11 12
Con todo esto sea
21 22

Proposici
1. K(11 ) K(21 ) y R(12 ) R(11 )
2. K(22 ) K(12 ) y R(21 ) R(22 )
Demostracion

11 12
z
0 0
(z , y )
= 2 z 0 11 z + 2y 0 21 z + y 0 22 y = 2y 0 21 z + y 0 22 y 0
21 22
y
P
agina www
P
agina inicial

2(21 z)0 21 z + z 0 12 22 21 z 0 21 z = 0
En conclusion K(11 ) K(21 ). Ademas, por el comentario anterior se concluye que R(12 )
R(11 ). Al verificarse esto u
ltimo debe existir Kq(pq) tal que 12 = 11 K o, lo que es lo
mismo, debe existir una matriz Q(pq)q tal que 21 = Q11
Una vez demostrado este resultado podemos pasar a enunciar y demostrar un teorema,
analogo al caso definido positivo, para las distribuciones condicionadas.
Contenido
JJ
II
P
agina 23 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Np [; ], con 0. Entonces
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 24 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion
1. La demostracion es exactamente igual que en el caso definido positivo.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 24 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion
2. En este caso basta verificar que la funcion caracterstica conjunta factoriza como producto de las funciones caractersticas de las marginales. En efecto:
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 24 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion

1
0
t1
11
q(pq)
X (t) = exp i(t01 | t02 )
(t01 | t02 )
0(pq)q
22
t2
2

1
1

= exp it01 1 t01 11 t1 exp it02 2 t02 22 t2
2
2
(1)
(2)
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 24 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion

1
0
t1
11
q(pq)
X (t) = exp i(t01 | t02 )
(t01 | t02 )
0(pq)q
22
t2
2

1
1

= exp it01 1 t01 11 t1 exp it02 2 t02 22 t2
2
2
1. X(2) 21
11 X(1)
(1)
(2)
Npq [(2) 21
11 (1) ; 22.1 ]
2. X(1) y X(2) 21
3. X(2) | X(1) = x(1)
Npq [(2) + 21
11 (x(1) (1) ); 22.1 ]
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 24 de 32
Regresar
Pantalla completa
Cerrar
donde 22.1 = 22
Demostracion
21
11 12 ,
siendo
11
una inversa generalizada para 11
Abandonar

1. X(1)
Nq [(1) ; 11 ] y X(2)
N(pq) [(2) ; 22 ]

Demostracion

1
0
t1
11
q(pq)
X (t) = exp i(t01 | t02 )
(t01 | t02 )
0(pq)q
22
t2
2

1
1

= exp it01 1 t01 11 t1 exp it02 2 t02 22 t2
2
2
1. X(2) 21
11 X(1)
(1)
(2)
Npq [(2) 21
11 (1) ; 22.1 ]
P
agina inicial
Contenido
JJ
II
P
agina 24 de 32
2. X(1) y X(2) 21
3. X(2) | X(1) = x(1)
P
agina www
Regresar
Npq [(2) + 21
11 (x(1) (1) ); 22.1 ]
Pantalla completa
Cerrar
21
11 12 ,
donde 22.1 = 22
Demostracion
siendo

C=
11
una inversa generalizada para 11
Iq
0q(pq)
21 11
Ipq
Abandonar
y realicemos el cambio de variable Y = CX. Con ello, Y
Np [C; CC0 ]. Pero
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 25 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

C =
(1)
(2) 21
11 (1)
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 26 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

C =
(1)
(2) 21
11 (1)
Ademas, como 0 debe existir Q(pq)q tal que 21 = Q11 . As
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 26 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

C =
(1)
(2) 21
11 (1)

CC0 =

=

=

=

=

=

=
Iq
0q(pq)
21 11
Ipq

11 12
21 22

11
12
21 11 11 + 21 22.1

Iq
0(pq)q
Iq
11 12
Ipq

11 12
Ipq
0(pq)q

11
12
Iq
11 12
Q11 11 11 + 21 22.1
0(pq)q
Ipq

11
Iq
12
11 12
Q11 + 21 22.1
0(pq)q
Ipq

11
12
Iq
11 12
0(pq)q 22.1
0(pq)q
Ipq

0
11
11
11
11
11 12 + 12
11 11 Q + 12
=
0(pq)q
22.1
0(pq)q
22.1

11
11 Q0 + 12
11
0q(pq)
=
0(pq)q
22.1
0(pq)q 22.1
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 26 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

C =
(1)
(2) 21
11 (1)

CC0 =

=

=

=

=

=

=
Iq
0q(pq)
21 11
Ipq

11 12
21 22

11
12
21 11 11 + 21 22.1

Iq
0(pq)q
Iq
11 12
Ipq

11 12
Ipq
0(pq)q

11
12
Iq
11 12
Q11 11 11 + 21 22.1
0(pq)q
Ipq

11
Iq
12
11 12
Q11 + 21 22.1
0(pq)q
Ipq

11
12
Iq
11 12
0(pq)q 22.1
0(pq)q
Ipq

0
11
11
11
11
11 12 + 12
11 11 Q + 12
=
0(pq)q
22.1
0(pq)q
22.1

11
11 Q0 + 12
11
0q(pq)
=
0(pq)q
22.1
0(pq)q 22.1
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 26 de 32
Regresar
Pantalla completa
de donde se deducen los tres primeros apartados.
Cerrar
Abandonar
Para calcular la distribucion condicionada hay que actuar a partir de la funcion caracterstica.
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 27 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
Por la independencia de Y(1) e Y(2) se tiene
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 27 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
h
it0 Y(2)
E e
| Y(1) = y(1)
h 0
i
h 0
i
it [X(2) 21
it [X(2) 21
11 X(1) ]
11 X(1) ]
=E e
| X(1) = x(1) = E e
Pero, por otro lado
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 27 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
h
it0 Y(2)
E e
| Y(1) = y(1)
h 0
i
h 0
i
it [X(2) 21
it [X(2) 21
11 X(1) ]
11 X(1) ]
=E e
| X(1) = x(1) = E e
Pero, por otro lado

h
it0 [X(2) 21
11 X(1) ]
E e
| X(1) = x(1) = E e
0
it0 X(2) it0 21

11 X(1)
= eit 21 11 x(1) E eit X(2)

con lo que
| X(1) = x(1)
i
| X(1) = x(1)
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 27 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
h
it0 Y(2)
E e
| Y(1) = y(1)
h 0
i
h 0
i
it [X(2) 21
it [X(2) 21
11 X(1) ]
11 X(1) ]
=E e
| X(1) = x(1) = E e
Pero, por otro lado

h
it0 [X(2) 21
11 X(1) ]
E e
| X(1) = x(1) = E e
0
it0 X(2) it0 21

11 X(1)
= eit 21 11 x(1) E eit X(2)
| X(1) = x(1)
i
| X(1) = x(1)
P
agina www
P
agina inicial
Contenido
con lo que
Y2 (t) = eit
de donde
21
11 x(1)
X(2) |X(1) =x(1) (t)
JJ
II
P
agina 27 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
h
it0 Y(2)
E e
| Y(1) = y(1)
h 0
i
h 0
i
it [X(2) 21
it [X(2) 21
11 X(1) ]
11 X(1) ]
=E e
| X(1) = x(1) = E e
Pero, por otro lado

h
it0 [X(2) 21
11 X(1) ]
E e
| X(1) = x(1) = E e
0
it0 X(2) it0 21

11 X(1)
= eit 21 11 x(1) E eit X(2)
| X(1) = x(1)
i
| X(1) = x(1)
P
agina www
P
agina inicial
Contenido
con lo que
Y2 (t) = eit
21
11 x(1)
X(2) |X(1) =x(1) (t)
de donde
JJ
II
P
agina 27 de 32
0
X(2) |X(1) =x(1) (t) = Y2 (t)eit 21 11 x(1)
Regresar
Pantalla completa
Cerrar
Abandonar
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
h
it0 Y(2)
E e
| Y(1) = y(1)
h 0
i
h 0
i
it [X(2) 21
it [X(2) 21
11 X(1) ]
11 X(1) ]
=E e
| X(1) = x(1) = E e
Pero, por otro lado

h
it0 [X(2) 21
11 X(1) ]
E e
| X(1) = x(1) = E e
0
it0 X(2) it0 21

11 X(1)
= eit 21 11 x(1) E eit X(2)
| X(1) = x(1)
i
| X(1) = x(1)
P
agina www
P
agina inicial
Contenido
con lo que
Y2 (t) = eit
21
11 x(1)
X(2) |X(1) =x(1) (t)
de donde
JJ
II
P
agina 27 de 32
0
X(2) |X(1) =x(1) (t) = Y2 (t)eit 21 11 x(1)
Regresar
Pantalla completa
y puesto que Y(2)
Npq [(2)
21
11 (1) ; 22.1 ]
se concluye que
Cerrar
Abandonar
Llamemos

Y(1)
X(1)
Y=
=
Y(2)
X(2) 21
11 X(1)
h
it0 Y(2)
E e
| Y(1) = y(1)
h 0
i
h 0
i
it [X(2) 21
it [X(2) 21
11 X(1) ]
11 X(1) ]
=E e
| X(1) = x(1) = E e
Pero, por otro lado

h
it0 [X(2) 21
11 X(1) ]
E e
| X(1) = x(1) = E e
0
it0 X(2) it0 21

11 X(1)
= eit 21 11 x(1) E eit X(2)
| X(1) = x(1)
i
| X(1) = x(1)
P
agina www
P
agina inicial
Contenido
con lo que
Y2 (t) = eit
21
11 x(1)
X(2) |X(1) =x(1) (t)
de donde
JJ
II
P
agina 27 de 32
0
X(2) |X(1) =x(1) (t) = Y2 (t)eit 21 11 x(1)
Regresar
Pantalla completa
y puesto que Y(2)
Npq [(2)
21
11 (1) ; 22.1 ]
se concluye que
Cerrar
Abandonar

1
0
X(2) |X(1) =x(1) (t) = eit
exp it0 (2) it0 21
11 (1) t 22.1 t
2

1 0
0
= exp it (2) + 21 11 (x(1) (1) ) t 22.1 t

2
0
21
11 x(1)
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 28 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
De forma analoga al anterior se tiene el siguiente resultado
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 29 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
De forma analoga al anterior se tiene el siguiente resultado

1. X(1) 12
22 X(2)
Nq [(1) 12
22 (2) ; 11.2 ]
2. X(2) y X(1) 12
3. X(1) | X(2) = x(2)
Nq [(1) + 12
22 (x2 (2) ); 11.2 ]
donde 11.2 = 11 12
22 21 , siendo 22 una inversa generalizada para 22
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 29 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
3.
3.1.
Complementos
El problema de L`
evy-Cramer
Es conocido que la suma de vectores aleatorios normales e independientes es tambien normal. Sin embargo, nos podemos plantear si el recproco es cierto, o sea, dados dos vectores
aleatorios independientes tales que la suma de ambos se distribuya de forma normal, seran
dichos vectores normales?
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 30 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
3.
3.1.
Complementos
El problema de L`
evy-Cramer
La respuesta a tal cuestion es afirmativa si bien no es inmediata, y tampoco lo fue durante
mucho tiempo. El resultado fue conjeturado por Paul-L`evy y demostrado en 1936 por Cramer
gracias al empleo de importantes resultados de funciones de variable compleja, concretamente
la teora de funciones analticas de orden finito y, mas precisamente, el teorema de Hadamard.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 30 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
3.
3.1.
Complementos
El problema de L`
evy-Cramer
Por tanto el resultado que planteamos podemos enunciarlo de la siguiente forma:
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 30 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
3.
3.1.
Complementos
El problema de L`
evy-Cramer
Por tanto el resultado que planteamos podemos enunciarlo de la siguiente forma:
P
agina www
P
agina inicial
Teorema 3.3.1. Sean X1 y X2 dos vectores aleatorios p-dimensionales e independientes.

Entonces
X1 + X2 ; Np [; ] Xi ; Np [i ; i ] , i = 1, 2
verific
andose en tal caso que = 1 + 2 y = 1 + 2 .
Contenido
JJ
II
P
agina 30 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Notas:
1. El resultado es generalizable de forma inmediata a mas de dos variables independientes.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 31 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Notas:
2. El hecho de que la suma de variables normales e independientes sea normal es inmediata
sin m
as que emplear la funci
on caracterstica. De forma a
un mas general, si Xi , i =
1, . . . , n son variables normales e independientes distribuidas seg
un normales de media
n
X
Ai Xi con Ai matrices
i y matriz de covarianzas i , entonces, si llamamos Y =
i=1
constantes, se verifica
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 31 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Notas:
sin m
n
X
i=1
"
Y (t) = E [exp(it0 Y)] = E exp it0
n
X
!#
Ai Xi
"
=E
i=1
n
Y
n
Y
n
Y
#
exp(it0 Ai Xi )
P
agina www
i=1
n
Y

1
0
=
Xi (A0i t) =
exp it0 Ai i t0 Ai i A0i t
E [exp(it Ai Xi )] =
2
i=1
i=1
i=1
!
n
n
X
1 0X
0
Ai i A0i t
= exp it
A i i t
2 i=1
i=1
P
agina inicial
Contenido
JJ
II
P
agina 31 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
Notas:
sin m
n
X
i=1
"
Y (t) = E [exp(it0 Y)] = E exp it0
n
X
!#
Ai Xi
"
=E
i=1
n
Y
n
Y
n
Y
#
exp(it0 Ai Xi )
P
agina www
i=1
n
Y

1
0
=
Xi (A0i t) =
exp it0 Ai i t0 Ai i A0i t
E [exp(it Ai Xi )] =
2
i=1
i=1
i=1
!
n
n
X
1 0X
0
Ai i A0i t
= exp it
A i i t
2 i=1
i=1
P
agina inicial
Contenido
JJ
II
P
agina 31 de 32
por lo que Y se distribuye como una normal de media

n
X
i=1
n
X
i=1
Ai i A0i .
Ai i y matriz de covarianzas
Regresar
Pantalla completa
Cerrar
Abandonar
3. Para verificar el resultado basta con tratar el caso unidimensional. Para ello basta con
hacer uso de la caracterizaci
on de la ley normal multivariante. Recordemos que dicha
caracterizaci
on dice que un vector se distribuye de forma normal multivariante si y solo
si cualquier combinaci
on lineal finita de sus componentes se distribuye como una normal
unidimensional.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 32 de 32
Regresar
Pantalla completa
Cerrar
Abandonar
3. Para verificar el resultado basta con tratar el caso unidimensional. Para ello basta con
hacer uso de la caracterizaci
on de la ley normal multivariante. Recordemos que dicha
caracterizaci
on dice que un vector se distribuye de forma normal multivariante si y solo
si cualquier combinaci
on lineal finita de sus componentes se distribuye como una normal
unidimensional.
Por lo tanto sean X1 y X2 dos variables multidimensionales tales que su suma, X,
se distribuya seg
un una ley normal. Entonces cualquier combinacion lineal finita 0 X
sigue una ley normal univariante. Pero 0 X = 0 X1 + 0 X2 y si damos por demostrado
el resultado en el caso unidimensional se cumplira que tanto 0 X1 como 0 X2 seran
variables normales. Puesto que ambas variables seran normales 0 Rp , aplicando
nuevamente la caracterizaci
on de la ley normal multidimensional, tanto X1 como X2
ser
an vectores normales.
P
agina www
P
agina inicial
Contenido
JJ
II
P
agina 32 de 32
Regresar
Pantalla completa
Cerrar
Abandonar

Distribucion Normal Multivariada

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Distribucion Normal Multivariada

Uploaded by

Copyright:

Available Formats

Analisis Multivariante.

Licenciatura en Ciencias y Tecnicas Estadsticas

Analisis Multivariante. Licenciatura en Ciencias y Tecnicas Estadsticas

Teorema 1.1.1. La funci

Teorema 1.1.1. La funci

Teorema 1.1.1. La funci

Teorema 1.1.1. La funci

Teorema 1.1.1. La funci

Con ello, E[yi ] = i , i = 1, . . . , p, de donde E[Y] = y as

Ademas, Cov[yi , yj ] = ij , i, j = 1, . . . , p, por lo que Cov[Y] = Ip . As

Con ello, E[yi ] = i , i = 1, . . . , p, de donde E[Y] = y as

Ademas, Cov[yi , yj ] = ij , i, j = 1, . . . , p, por lo que Cov[Y] = Ip . As

Algunas propiedades. Tipificaci

Con ello, E[yi ] = i , i = 1, . . . , p, de donde E[Y] = y as

Ademas, Cov[yi , yj ] = ij , i, j = 1, . . . , p, por lo que Cov[Y] = Ip . As

Algunas propiedades. Tipificaci

N1 [i ; i2 ], i = 1, . . . , p y ademas dichas variables

2. Sea Bpp no singular y sea Y = BX. Entonces Y

Con ello, E[yi ] = i , i = 1, . . . , p, de donde E[Y] = y as

Ademas, Cov[yi , yj ] = ij , i, j = 1, . . . , p, por lo que Cov[Y] = Ip . As

Algunas propiedades. Tipificaci

N1 [i ; i2 ], i = 1, . . . , p y ademas dichas variables

2. Sea Bpp no singular y sea Y = BX. Entonces Y

1. A partir de la expresion generica de la densidad normal tendremos:

donde se ha usado la forma de la funcion caracterstica para la normal unidimensional.

X () = E[ei X ] = E[ei (CY+) ] = ei E[ei CY ] = ei Y (C0 )

donde se ha usado la forma de la funcion caracterstica para la normal unidimensional.

X () = E[ei X ] = E[ei (CY+) ] = ei E[ei CY ] = ei Y (C0 )

El siguiente resultado conduce a una interesante caracterizacion de la ley normal multivariante.

donde se ha usado la forma de la funcion caracterstica para la normal unidimensional.

X () = E[ei X ] = E[ei (CY+) ] = ei E[ei CY ] = ei Y (C0 )

El siguiente resultado conduce a una interesante caracterizacion de la ley normal multivariante.

donde se ha usado la forma de la funcion caracterstica para la normal unidimensional.

X () = E[ei X ] = E[ei (CY+) ] = ei E[ei CY ] = ei Y (C0 )

El siguiente resultado conduce a una interesante caracterizacion de la ley normal multivariante.

donde se ha usado la forma de la funcion caracterstica para la normal unidimensional.

X () = E[ei X ] = E[ei (CY+) ] = ei E[ei CY ] = ei Y (C0 )

El siguiente resultado conduce a una interesante caracterizacion de la ley normal multivariante.

1. Basandonos en la funcion caracterstica se tiene:

de donde se obtiene el resultado.

2. Es inmediato, tomando en el apartado anterior A como un vector p 1. Notemos que,

2. A partir de su funcion caracterstica.

2. A partir de su funcion caracterstica.

3. Xp1 se distribuye de forma normal p-dimensional s y solo s toda combinacion lineal

2. A partir de su funcion caracterstica.

3. Xp1 se distribuye de forma normal p-dimensional s y solo s toda combinacion lineal

2. A partir de su funcion caracterstica.

3. Xp1 se distribuye de forma normal p-dimensional s y solo s toda combinacion lineal

Distribuciones marginales y condicionadas

a partir de la anterior, o sea

Teorema 1.4.1. En las condiciones anteriores,

2. Si 12 = 21 = 0 entonces X(1) y X(2) son independientes.

Teorema 1.4.1. En las condiciones anteriores,

2. Si 12 = 21 = 0 entonces X(1) y X(2) son independientes.

Teorema 1.4.1. En las condiciones anteriores,

2. Si 12 = 21 = 0 entonces X(1) y X(2) son independientes.

Teorema 1.4.1. En las condiciones anteriores,

2. Si 12 = 21 = 0 entonces X(1) y X(2) son independientes.

Teorema 1.4.1. En las condiciones anteriores,

2. Si 12 = 21 = 0 entonces X(1) y X(2) son independientes.

Teorema 1.4.2. En las condiciones del teorema anterior se tiene

Teorema 1.4.2. En las condiciones del teorema anterior se tiene

y realicemos el cambio de variable Y = CX. Con ello es inmediato que Y

Teorema 1.4.2. En las condiciones del teorema anterior se tiene