Está en la página 1de 8

Tema 5.

Distribuciones
Multivariantes
1
TEMA 5.
DISTRIBUCIONES
MULTIVARIANTES
Tema 5. Distribuciones
Multivariantes
2
CONCEPTO DE VECTOR
ALEATORIO
Vector aleatorio: Aplicacin de E en R
n

que hace corresponder a cada posible
resultado w del experimento aleatorio un
elemento de R
n
. Siendo:
Xi: E R i=1,2,n
X=(x1, x2,xn)
X(w)= {x1(w), , xn(w)} w E
Tema 5. Distribuciones
Multivariantes
3
FUNCIN DE DENSIDAD CONJUNTA
Tiene las siguientes propiedades:
} }
+

+

=
9 e >
1 ... ) ,..., ( ,..., ... )
) ,..., ( 0 ) ,..., ( ,..., )
1 1 1
n
1 1 1
n n n
n n n
dx dx x x x f x b
x x x x x f x a
} }
+

+

=
9 e >
1 ) , ( )
) , ( 0 ) , ( )
2 1 2 1
n
2 1 2 1 2 1
dx dx x x f b
x x x x x f x a
Para Bi-dimensional:
Tema 5. Distribuciones
Multivariantes
4
DISTRIBUCIN NORMAL BIVARIANTE
La distribucin Normal Bivariante
(bidimensional) relaciona 2 v.a. X e Y cuyas
distribuciones son normales.
Su funcin de densidad conjunta es:

(
(


=
y x
2
y
2
2
x
2
x
2

) )(y (x
2

) (y

) (x
) 2(1
1
2
y x
e
1 2
1
y) f(x,
y x y

x,

y
: Valores medios de X e Y

x,

y
: Desviacin tpica de X e Y. Mayor que 0
: Coeficiente de correlacin. -1< < +1
Tema 5. Distribuciones
Multivariantes
5
DISTRIBUCIONES MARGINALES
La distribucin marginal es la distribucin de cada una
de las v.a. que forman la var. Bidimensional.
} }
+

+

= = dx y x f y f dy y x f x f
xy y xy x
) , ( ) ( ) , ( ) (
Normal Bivariante: La distribucin marginal de la var.X.
al integrar la f
xy
(x,y) respecto a la var. Y, es la funcin
de densidad de una variable unidimensional de
x
y
x
.
Lo mismo ocurre para la var. Y.
(
(

=
2
x
2
x

) (x
2
1
x
x
e
2
1
(x) f

t
Se integra respecto
a la var. que
queremos eliminar
Tema 5. Distribuciones
Multivariantes
6
DISTRIBUCIONES CONDICIONALES
La distribucin condicional es la distribucin de
una de ellas para un valor fijo de la otra. La
funcin de densidad es:
) (
) , (
) (
/
x f
y x f
x X
Y
f
x
xy
x y
=
=
Normal Bivariante: Podemos calcular la media y
la varianza de una distribucin condicionada.
) ( ) (
x
x
y
y
x
x X
Y
E
o
o
+ =
=
) 1 ( ) var(
2 2
o =
=
y
x X
Y
Tema 5. Distribuciones
Multivariantes
7
VARIABLES ALEATORIAS INDEPENDIENTES
2 v.a. son independientes si los sucesos que afectan a
una var. son independientes de los sucesos que
afectan a la otra. Se verifica que:
) ( ... ) ( ) (
1 1 0 n n
x E C x E C C y E + + + =
f
xy
= f
x
(x)f
y
(y) f
y/x
(y/x)= f
y
(y)
Combinacin lineal de var.normales independientes. Esta
combinacin tambin es una distribucin normal. Siendo
Y= g(x1,,xn), podemos calcular su media y varianza.

=
=
n
i
i i
x C Y
1
2
) var( ) var(
Tema 5. Distribuciones
Multivariantes
8
COVARIANZA Y COEF. DE CORRELACIN
Covarianza: Nos mide la relacin que existe entre 2
variables.
Cov(x,y)=E(xy) E(x)E(y)
Si
xy
> 0 Relacin directa.
Si
xy
< 0 Relacin inversa
Si
xy
= 0 Las variables son
independientes
Coef. de Correlacin: Nos da una medida normalizada y
adimensional del grado de relacin lineal que existe
entre 2 var. Su valor vara entre -1<<+1
y x
y x
y x
o o

) , cov(
,
=
Si
xy
=1Relacin lineal perfecta en sentido +
Si
xy
=-1Relacin lineal perfecta en sentido -
Si
xy
=0Las va son incorreladas