ANALISIS MULTIVARIADO

LA DISTRIBUCI

ON NORMAL BIVARIADA
Fernando Gallego Restrepo
Universidad Nacional Sede Manizales
Carrera de Matematicas
Abril de 2010
DISTRIBUCI

ON NORMAL BIVARIADA
Las variables aleatorias de mayor dimension desempe nan un papel importante para describir resulta-
dos experimentales, una de las mas importantes son las variables aleatorias bidimensionales continuas.
Una generalizacion directa de la distribucion normal unidimensional, se dene como:
Denicion 1. Sea (X, Y ) variable aleatoria continua, bidimensional que toma todos los valores en
el plano euclidiano. Decimos que (X, Y ) tiene una distribucion normal bivariada si su funcion de
densidad de probabilidad conjunta (fdp) esta dada por la expresion siguiente:
f(x, y) =
1
2
x

y
_
1
2
exp
_

1
2(1
2
)
_
_
x
x

x
_
2
2
(x
x
)(y
y
)

y
+
_
y
y

y
_
2
__
< x < , < y <
La fdp anterior depende de 5 parametros.

2
x
= V (X), Varianza de X

2
y
= V (Y ), Varianza de Y

x
= E(X), Media de X

y
= E(Y ), Media de Y
=
Cov(X, Y )

y
=
E((X
x
)(Y
y
))

y
, Coeciente de correlacion entre X y Y
Para que f dena una fdp legtima [es decir, f(x, y) 0,
_

f(x, y)dxdy = 1], debemos poner

las siguientes restricciones a los parametros:
<
x
< ; <
y
< ;
x
> 0;
y
> 0; 1 < < 1
Para la distribucion normal bivariada, tenemos las siguientes propiedades:
FUNCIONES DE DENSIDAD MARGINALES
Las funciones marginales estan denidas por,
f
x
(x) =
_

f(x, y)dy, f
y
(y) =
_

f(x, y)dx,
f
x
(x) =
_

1
2
x

y
_
1
2
exp
_

1
2(1
2
)
_
_
x
x

x
_
2
2
(x
x
)(y
y
)

y
+
_
y
y

y
_
2
__
dy
=
1
2
x

y
_
1
2
_

exp
_

1
2(1
2
)
2
x

2
y
_
(x
x
)
2

2
y
2(x
x
)(y
y
)
x

y
+ (y
y
)
2

2
x
_
_
dy
1
Consideremos el exponente de e, y completemos cuadrados con la expresion (x
x
)
2

2
y

1
2(1
2
)
2
x

2
y
_
(x
x
)
2

2
y
2(x
x
)(y
y
)
x

y
+ (y
y
)
2

2
x
+ (x
x
)
2

2
y

2
(x
x
)
2

2
y

2
_

1
2(1
2
)
2
x

2
y
_
(x
x
)
2

2
y
(1
2
) 2(x
x
)(y
y
)
x

y
+ (y
y
)
2

2
x
+ (x
x
)
2

2
y

2
_

1
2(1
2
)
2
x

2
y
__
(x
x
)
2

2
y

2
2(x
x
)(y
y
)
x

y
+ (y
y
)
2

2
x
_
+ (x
x
)
2

2
y
(1
2
)
_

1
2(1
2
)
2
x

2
y
_
((x
x
)
y
(y
y
)
x
)
2
+ (x
x
)
2

2
y
(1
2
)
_

(x
x
)
2

2
y
(1
2
)
2(1
2
)
2
x

2
y

((x
x
)
y
(y
y
)
x
)
2
2(1
2
)
2
x

2
y

(x
x
)
2
2
2
x

((x
x
)
y
(y
y
)
x
)
2
2(1
2
)
2
x

2
y
luego, reemplazando esta en el exponente de e, en la integral anterior; tenemos:
f
x
(x) =
1
2
x

y
_
1
2
_

exp
_

(x
x
)
2
2
2
x

((x
x
)
y
(y
y
)
x
)
2
2(1
2
)
2
x

2
y
_
dy
=
1
2
x

y
_
1
2
_

exp
_

(x
x
)
2
2
2
x
_
exp
_

((x
x
)
y
(y
y
)
x
)
2
2(1
2
)
2
x

2
y
_
dy
=
1
2
x

y
_
1
2
exp
_

(x
x
)
2
2
2
x
_
_

exp
_

((x
x
)
y
(y
y
)
x
)
2
2(1
2
)
2
x

2
y
_
dy
=
1
2
x

y
_
1
2
exp
_

(x
x
)
2
2
2
x
_
_

exp
_

((y
y
)
x
(x
x
)
y
)
2
2(1
2
)
2
x

2
y
_
dy
=
1
2
x

y
_
1
2
exp
_

(x
x
)
2
2
2
x
_
_

exp
_

2
x
_
(y
y
) (x
x
)
_

x
_

_
2
2(1
2
)
2
x

2
y
_

_
dy
=
1
2
x

y
_
1
2
exp
_

(x
x
)
2
2
2
x
_
_

exp
_

_
(y
y
) (x
x
)
_

x
_

_
2
2(1
2
)
2
y
_

_
dy
f
x
(x) =
1
_
2
2
x
exp
_

(x
x
)
2
2
2
x
_
_

1
_
2(1
2
)
2
y
exp
_

_
y
_

y
+ (x
x
)
_

x
_

__
2
2(1
2
)
2
y
_

_
dy
2
Si analizamos el integrando de la integral anterior, notamos que se trata de una fdp normal con media,

y
+ (x
x
)
_

x
_
y varianza 5(1
2
)
2
y
, por tanto;
_

1
_
2(1
2
)
2
y
exp
_

_
y
_

y
+ (x
x
)
_

x
_

__
2
2(1
2
)
2
y
_

_
dy = 1
luego,
f
x
(x) =
1
_
2
2
x
exp
_

(x
x
)
2
2
2
x
_

= N(
x
,
2
x
)
Analogamente, se calcula la funcional marginal para y;
f
y
(y) =
1
_
2
2
y
exp
_

(y
y
)
2
2
2
y
_

= N(
y
,
2
y
)
FUNCIONES DE DENSIDAD CONDICIONAL
Las funciones de densidad condicional, estan dadas por
f(X|Y ) =
f(x, y)
f
y
(y)
f(Y |X) =
f(x, y)
f
x
(x)
por tanto,
f(Y |X) =
1
2
x

y
_
1
2
exp
_

1
2(1
2
)
_
_
x
x

x
_
2
2
(x
x
)(y
y
)

y
+
_
y
y

y
_
2
__
1
_
2
2
x
exp
_

(x
x
)
2
2
2
x
_
=
_
2
2
x
2
x

y
_
1
2
exp
_

1
2(1
2
)
_
_
x
x

x
_
2
2
(x
x
)(y
y
)

y
+
_
y
y

y
_
2
_
+
(x
x
)
2
2
2
x
_
=
1
_
2
2
y
(1
2
)
exp
_

1
2(1
2
)
_
_
x
x

x
_
2
2
(x
x
)(y
y
)

y
+
_
y
y

y
_
2

(x
x
)
2
(1
2
)

2
x
__
=
1
_
2
2
y
(1
2
)
exp
_

1
2(1
2
)
_
(x
x
)
2
(1 (1
2
))

2
x
2
(x
x
)(y
y
)

y
+
(y
y
)
2

2
y
__
=
1
_
2
2
y
(1
2
)
exp
_

1
2(1
2
)
_
(y
y
)
2

2
y
2
(x
x
)(y
y
)

y
+
(x
x
)
2

2
x
__
=
1
_
2
2
y
(1
2
)
exp
_

_
1
2(1
2
)
2
y
__
(y
y
)
(x
x
)
y

x
_
2
_
=
1
_
2
2
y
(1
2
)
exp
_

_
1
2(1
2
)
2
y
__
y
_

y
+
(x
x
)
y

x
__
2
_
3
luego,
f(Y |X) =
1
_
2
2
y
(1
2
)
exp
_

_
1
2(1
2
)
2
y
__
y
_

y
+
(x
x
)
y

x
__
2
_
as
f(Y |X)

= N
_

y
+
(x
x
)
y

x
,
2
y
(1
2
)
_
Actuando de manera analoga, obtenemos
f(X|Y )

= N
_

x
+
(y
y
)
x

y
,
2
x
(1
2
)
_
VALOR ESPERADO Y COVARIANZA
Consideremos si g(X, Y ) es una funcion escalar en terminos de las varialbes aleatorias (X, Y ),
entonces se dene el valor esperado de g(X, Y ),
E[g(X, Y )] =
_

g(x, y)f(x, y)dxdy

as,

x
= E[X] =
_

xf(x, y)dxdy
=
_

x
__

f(x, y)dy
_
dx
=
_

xf
x
(x)dx

y
= E[Y ] =
_

yf(x, y)dxdy
=
_

y
__

f(x, y)dx
_
dy
=
_

yf
y
(y)dy
Similarmente,
E[X
2
] =
_

x
2
f(x, y)dxdy
=
_

x
2
__

f(x, y)dy
_
dx
=
_

x
2
f
y
(y)dx
4
E[Y
2
] =
_

y
2
f(x, y)dxdy
=
_

y
2
__

f(x, y)dx
_
dy
=
_

y
2
f
y
(y)dy
E[XY ] =
_

xyf(x, y)dxdy
Por otro lado, sabemos que Cov[Y, X] = Cov[X, Y ] =
xy
= E[XY ] E[X]E[Y ], Cov[X, X] =
2
x
y Cov[Y, Y ] =
2
y
, y ademas;
=
Cov[X, Y ]

y
as

xy
= Cov[X, Y ] =
x

y
de esta manera podemos calcular,
E[XY ] =
x

y
+E[x]E[y] =
x

y
+
x

y
en otras palabras;
_

xyf(x, y)dxdy =
x

y
+
x

y
Ahora, calculemos la matriz de Covarianzas
_
Cov[X, X] Cov[X, Y ]
Cov[Y, X] Cov[Y, Y ]
_
=
_

2
x

x

y

2
y
_
VALOR ESPERADO CONDICIONAL Y VARIANZA CONDICIONAL
El Valor esperado condicionado, esta denido por;
E[Y |x] =
_

yf(Y |x)dy
donde
f(Y |x) =
1
_
2
2
y
(1
2
)
exp
_

_
1
2(1
2
)
2
y
__
y
_

y
+
(x
x
)
y

x
__
2
_
la cual es igual a la fdp de una normal, con media
Y |x
=
y
+
(x
x
)
y

x
y varianza
2
Y |x
= (1
2
)
2
y
,
luego,
f(Y |x) =
1

Y |X

2
exp
_

1
2
_
y
Y |X

Y |X
_
2
_
5
por tanto
E[Y |x] =
_

yf(Y |x)dy =
_

Y |x

2
exp
_

1
2
_
y
Y |x

Y |x
_
2
_
dy
haciendo z =
(y
Y |x
)

Y |x
y dy =
Y |x
dz, obtenemos;
E[Y |x] =
1

2
_

(
Y |x
+z
Y |x
) exp
_

z
2
2
_
dy
=

Y |x

2
_

exp
_

z
2
2
_
dy +

Y |x

2
_

z exp
_

z
2
2
_
dy
=
Y |x
luego,
E[Y |x] =
y
+
(x
x
)
y

x
De manera analoga, obtenemos
E[X|y] =
x
+
(y
y
)
x

y
Ahora, se dene la varianza condicional, por
V ar[Y |x] = E[(Y
Y |x
)
2
|x]
luego,
V ar[Y |x] =
_

(y
Y |x
)
2
f(Y |x)dy
=
1

Y |x

2
_

(y
Y |x
)
2
exp
_

1
2
_
y
Y |X

Y |x
_
2
_
dy
haciendo de nuevo z =
(y
Y |x
)

Y |x
y dy =
Y |x
dz, obtenemos;
V ar[Y |x] =

2
Y |x

2
_

z
2
exp
_

z
2
2
_
dz
Haciendo integracion por partes, con u = z y dv = z
2
exp
_

z
2
2
_
de modo que du = dz y u =
exp
_

z
2
2
_
, encontramos que
V ar[Y |x] = E[(Y
Y |x
)
2
|x]
=

2
Y |x

2
_

z exp
_

z
2
2
_

+
_

exp
_

z
2
2
_
dz
_
=
2
Y |x
(0 + 1)
=
2
Y |x
por tanto tenemos que la varianza condicional es
V ar[Y |x] = (1
2
)
2
y
6
Actuando analogamente, tenemos
V ar[X|y] = (1
2
)
2
x
APLICACIONES
Aplicacion 1. La distribucion de los gastos en dos productos (X, Y ) de un grupo de consumidores
sigue una distribucion normal bivariante con medias respectivas 2 y 3 euros y matriz de varianzas y
covarianzas
_
1 0, 8
0, 8 2
_
Calcular la distribucion condicionada de los gastos en los productos y para los consumidores que gastan
4 euros en el producto x.
Solucion. La distribucion condicionada f(Y |x = 4) =
f(4,y)
fx(4)
. Ademas, la distribucion marginal de x es
normal, N[2, 1].
Tenemos
x
= 2,
y
= 3,
2
x
= 1,
2
y
= 2 y Cov[X, Y ] = 0, 8, por tanto es coeciente de correlacion es:
=
Cov[X, Y ]

y
=
0, 8

2
0, 566
luego, la funcion de densidad de probabilidad conjunta, es:
f(x, y) =
1
2
_
2(1 (0, 566)
2
)
exp
_

1
2(1 (0, 566)
2
)
_
(x 2)
2
2(0, 566)
(x 2)(y 3)

2
+
(y 3)
2
2
__
f(x, y) =
1
2, 331
exp
_

1
1, 359
_
(x 2)
2
1, 132
(x 2)(y 3)

2
+
(y 3)
2
2
__
Consideremos la funcion condicional
f(Y |X)

= N
_

y
+
(x
x
)
y

x
,
2
y
(1
2
)
_
con media:
E[Y |x] =
y
+
(x
x
)
y

x
y varianza:
V ar[Y |x] =
2
y
(1
2
)
Para x=4
E[Y |x = 4] = 3 + (4 2)
0, 8

2 4, 6
Como hay una correlacion positiva de 0,566 entre los gastos en ambos productos, los consumidores que
gastan masn en uno, tambien en promedio; tienen gastos medios mas altos en el otro. la variabilidad
de la distribucion condicoinada sera:
V ar[Y |x = 4] = 2(1 (0, 566)
2
) 1, 36
7
y sera menor que la varianza de la margina porque cuando condicionamos tenemos mas informacion.
luego,
f(Y |x = 4) = N[4, 6; 1, 36]
=
1
_
2(1, 36)
exp
_

1
2
_
(4 4, 6)
2
1, 36
__
= 0, 3905
Figura 1: Distribucion Normal Bivariada, fdp; Aplicacion 1
8