Santiago Dario Maldonado de Santiago.

299699795 Ingeniería de Sistemas VI

Actividad 3 Procesos Estocasticos

Distribución Normal Multivariante

En probabilidad y estadística, una distribución normal multivariante, también

llamada distribución gaussiana multivariante, es una generalización de la distribución
normal unidimensional a dimensiones superiores.

CASO GENERAL

Un vector aleatorio   sigue una distribución normal multivariante si

satisface las siguientes condiciones equivalentes:

1.- Toda combinación lineal   está normalmente distribuida

2.- Hay un vector aleatorio ,cuyas componentes son variables aleatorias

independientes distribuidas según la normal estándar, un vector   y una matriz
n * m A tal que X = AZ + u.

3.- hay un vector u y una matriz semidefinida positiva simétrica tal para que la función
característica de X es:

Si es una matriz no angular, entonces la distribución puede describirse por la

siguiente función de densidad:

Donde | |  es el determinante de  . Nótese como la ecuación de arriba se reduce a la

distribución normal si   es un escalar (es decir, una matriz 1x1).

Función de Distribución

La función de distribución F(x) se define como la probabilidad de que todos los valores de un

vector aleatorio X sean menores o iguales que los valores correspondientes de un vector x.
Aunque F no tenga una fórmula, hay una serie de algoritmos que permiten estimarla
numéricamente.

Contraejemplo

El hecho de que dos variables aleatorias X e Y sigan una distribución normal, cada una, no
implica que el par (X, Y) siga una distribución normal conjunta. Un ejemplo simple se da
con X Normal(0,1), Y = X si |X| > 1 e Y = −X si |X| < 1. Esto también es cierto para más de dos
variables aleatorias
Normalmente distribuidas e independencia

Si X e Y están normalmente distribuidas y son independientes, su distribución conjunta

también está normalmente distribuida, es decir, el par (X, Y) debe tener una distribución
normal bivariante. En cualquier caso, un par de variables aleatorias normalmente distribuidas
no tienen por qué ser independientes al ser consideradas de forma conjunta.

Caso Bivariante

En el caso particular de dos dimensiones, la función de densidad (con media (0, 0) es

Donde p es el coeficiente de correlación entre X y Y. En este caso.

Transformación Afin

Si es una transformación afin de donde c es un M x1 vector de

constantes y B una M x N matriz, entonces Y tiene una distribución Normal con esperanza
c+Bu y varianza , esto es , en particular, cualquier subconjunto
de las X tiene una distribución marginal que es también una normal multivariante.

Ejemplo

Para extraer el subconjunto , usese

lo que extrae directamente los elementos deseados.

Otro corolario sería que la distribución de Z= b * X, donde b es un vector de la misma longitud

que X y el punto indica un producto vectorial, sería una distribución gaussiana unidimensional
con . Este resultado se obtiene usando

Distribución Conjunta
En probabilidad, dados dos eventos aleatorios X y Y, la distribución conjunta de X e Y es
la distribución de probabilidad de la intersección de eventos de X e Y, esto es, de los
eventos X e Y ocurriendo de forma simultánea. En el caso de solo dos variables aleatorias se
denomina una distribución bivariada, pero el concepto se generaliza a cualquier número de
eventos o variables aleatorias.

Caso discreto

Para variables aleatorias discretas, la función de probabilidad conjunta está dada por

Dadas esas probabilidades, se tiene que:

Caso Continuo

Para las variables aleatorias continuas la función de densidad de probabilidad conjunta puede
ser escrita como fX,Y(x, y) teniendo:

Donde fY|X(y|x) y fX|Y(x|y) dan la probabilidad condicionada de y dado x= xy de X dado Y=y

respectivamente y fX(x) y fY(y) dada la distribución marginal para X y Y respectivamente.

De nuevo, dado que son distribuciones de probabilidad:

Distribucion Beta

En estadística la distribución beta es una distribución de probabilidad continua con dos

parámetros   y   cuya función de densidad para valores 0<x<1 es

Aquí es la función gamma

El valor esperado y la varianza de una variable aleatoria X con distribución beta son

Un caso especial de la distribución beta es cuando   y   que coincide con

la distribución uniforme en el intervalo [0, 1].