Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Escribimos X (, )
Función de densidad de probabilidad Gamma para
diferentes valores de los parámetros
Función de densidad de probabilidad Chi-cuadrado
para diferentes valores de los parámetros
X
k 1
, (2k )
2 2
Distribución de Wishart
Definición1: Sí W = X'X , donde Xnxp es una
matriz de datos que proviene de una población con
distribución normal multivariante;
y si xi Np(0, ) con i=1,2,…,n; provienen de una
población con distribución normal p-variada
W ~ Wp ( Σ, n )
W es una matriz aleatoria de orden pxp con n p, singular.
1
exp − tr ( W )
n − p −1 −1
f (W)=c W
2
np p ( p −1) n p
c =2
−1 2 4
2
0.5(n + 1 − i)
i =1
OBSERVACIONES:
1° Si =I W ~ Wp ( I, n )
Forma estándar de la distribución de Wishart.
2° Si p=1 w ~ w1 ( 2 , n ) 2 n2
3° E(W) = n
iii)S
Sí = n −1
X'HX nS Wp ( Σ, n − 1)
Recordemos lo siguiente:
Teorema 1: Sí A es una matriz simétrica y de orden pxp,
sus autovalores son números reales : p
traza ( A ) = λ i
i =1
Teorema : (teorema de descomposición espectral o teorema de
descomposición de Jordan), una matriz A simétrica y de orden
pxp, puede escribirse como:
p
A = ΓΛΓ' = λ i γ (i ) γ '(i )
i =1
Consideremos:
es una matriz diagonal, cuyos elementos en la diagonal son los
autovalores de A.
es una matriz ortogonal, cuyas columnas son los auvectores
estandarizados de A.
Corolario
Sí A es una matriz simétrica no singular, entonces para un
número s, se tiene que:
Λ = diag ( is ) y As = ΓΛs Γ'
Sí todos los autovalores de A son positivos, entonces
n
T = ΓΛΓ = λ i γ ( i ) γ '( i )
'
i =1
X'HX = X'ΓΛΓ' X
¿Cuál es la distribución de Y= ’X ? son los autovalores de
H
Como H es :
1 '
H = I − 11 , 1nx1
n
De (ii) se tiene que como H es simétrica e idempotente
nS = Y'Y = ( X'HX) Wp ( Σ, n − 1)
Teorema: Si Xnxp es una matriz de datos de una población
Np( , ), entonces:
1
i) x N p μ, Σ
n
ii) x y S son estocásticamente independientes
Prueba:
ii) Usaremos el teorema de Craig, Lancaster.
1 '
x= X1
n
1 1 1
nxx ' = n X' 1 1' X = X' 1 1' X = X'CX
n n n
nS = X' HX
C y H son matrices simétricas, las filas de X son
independientes e idénticamente distribuídas como Np( , )
' '
X CX y X HX son independientes si CH=0
X Fm,n
18
Función de densidad de probabilidad F para
diferentes valores de los parámetros
X Fd1,d 2 19
Distribución T2 de Hotelling
Es una generalización multivariante de la distribución F
d ~ N p (0, I), M ~ WP ( I, m )
' −1 2
md M d ~ T ( p, m)
Teorema 1.- Si x y M son independientes con
x ~ N p| (μ, Σ), M ~ WP ( Σ, m )
m(x − μ)' M −1 (x − μ) ~ T 2 ( p, m)
Prueba
1° d* = −1/ 2 ( x - μ)
E (d*) = 0 Var(d*) = I
d* N p (0, I )
2M WP ( Σ, m )
M* = −1/ 2 M −1/ 2 Wp (I, m)
−1
'
m( x - μ ) −1/ 2
−1/ 2
M −1/ 2
−1/ 2 (x - μ )
= m(x - μ)' M -1 ( x - μ) T 2 ( p, m )
Corolario 1: Si x , S son el vector de medias y la matriz de
covarianzas de una muestra aleatoria de tamaño “n” extraída de
una población con Np(µ, ) y sea la matriz:
n
Su = S
n −1
(n − 1)(x − μ)' S−1 (x − μ) = n(x − μ)' Su−1 (x − μ) ~ T 2 ( p, n −1)
Utilice los resultados del teorema para probar el corolario, así
como las propiedades de la distribución T2 de Hotelling; y
considere:
W = nS
m = n −1
(x − μ) = n1/ 2 ( x − μ)
Tarea: pruebe el siguiente teorema
Teorema 2:
mp
T ( p, m) =
2
Fp ,m − p +1
m − p + 1
n− p ' −1
( x − μ ) S (x − μ) ~ Fp , n − p
p
n1n2
n ( x1 − x2 ) Su ( x1 − x2 ) Tp , n − 2
' −1 2
n1n2 ( n − p − 1)
( x1 − x2 ) Su ( x1 − x2 )
' −1
Fp , n − p −1
n ( n − 2) p
Prueba:
xi N p ( μi , ni−1 Σi ) i = 1, 2
d = ( x1 − x2 ) N p ( μ1 − μ 2 , n1−1 Σ1 + n2−1 Σ 2 )
n
Cuando μ1 = μ 2 , Σ1 = Σ 2 = Σ d N p 0, Σ
n1n2
Si Wi = ni Si Wi W p ( Σi , ni − 1)
cuando Σ1 = Σ 2 = Σ
W = ( n − 2 ) S u = W1 + W2 W p ( Σ, n − 2 )
n n
pero W Wp Σ, n − 2
n1n2 n1n2
−1
n
(n − 2)d
'
W d Tp2, n − 2
n1n2
Utilizando las equivalencias con la distribución F(teorema 2):
n1n2 ( n − p − 1)
D2 Fp , n − p −1
n ( n − 2) p
D = ( x1 − x2 ) Su−1 ( x1 − x2 )
2 '
Distribución de Wilks
E
Λ ( p, m, n )
E+H
Propiedades:
Λ ( p, m, n ) Λ ( n, m + n − p, p )
1
− m − ( p − n + 1) log ( p, m, n) mp
2
2
m→
Relaciones entre la distribución Wilks, T2 de
Hotelling y F
1° Relación entre las distribuciones Wilks y F, cuando p =1
E/H F Λ
Λ= = F=
E / H + H / H 1+ F 1− Λ
n Λ
de (*)se tiene que Fm,n
m 1− Λ
1
Como F Fm, n Fn , m
F
1 1 − Λ (1, m, n ) m
Fn, m Fn, m
n Λ Λ (1, m, n ) n
m 1 − Λ
2° Relación entre las distribuciones T2 de Hotelling y F,
M Λ
M
Λ= '
Λ ( p, m,1) por definición de
M + dd
tenemos: Λ ( p, m,1) = Λ (1, m + 1 − p, p ) por propiedad de
1− Λ
de(*) : d M d =
' -1
Λ
por(relación 1) :
' m +1− p
-1
d M d Fp ,m +1− p
p
mp
T = md M d
2 ' -1
Fp ,m +1− p
m +1− p
BIBLIOGRAFÍA
[5]T.W.;AnDERSON.2003. An Introduction to
Multivariate Statistical Analysis. John Wiley & Sons,
Inc., Publication. Canada.