UNIVERSIDAD CENTRAL DE VENEZUELA

FACULTAD DE AGRONOMA
POSTGRADO EN ESTADSTICA
Distribuciones Normales
Bivariadas y
Multivariadas
DISTRIBUCIONES
MULTIVARIANTES
Cuando hay ms de una variable aleatoria
presente (es decir, hay dos o ms), siempre est
la posibilidad de que de alguna manera estn
relacionadas. Por eso se trabaja con su funcin
de distribucin conjunta (y su funcin de
densidad conjunta, continua o discreta).

DISTRIBUCIONES
MULTIVARIANTES
Se habla en ese caso de un vector aleatorio (lo
anotaremos aqu X), distribuido segn una funcin de
distribucin F
X
que ahora toma sus valores en 9
n

(donde n es la cantidad de variables). Habr, como
antes en el caso unidimensional, una funcin de
densidad f
X
, que verificar:
Para el caso continuo:

Y para el discreto:


}
= e
A
n n
dx dx dx x x x f A X P
1 1 2 1
) , , , ( ) (

e
= e
A x x x
n
n
x x x f A X P
) , , , (
2 1
2 1
) , , , ( ) (

DISTRIBUCION NORMAL
BIVARIADA
Sea ( X, Y ) una variable bidimensional continua que
toma todos los valores en el plano euclidiano. Decimos
que ( X, Y ) tiene distribucin normal bivariada si su
funcin conjunta est dada por:

( )
( )
( )( )

< <
< <
(
(

(
(

=
y
x
para
y y x
x
y x f
y
y
y x
y x
x
x
y x
2
2
2
2
2 .
1 2
1
exp
1 2
1
,
o

o o

o o t
DISTRIBUCION NORMAL
BIVARIADA



La funcin generadora de momentos de la distribucin normal es:
Y los momento pueden ser hallados calculando las derivadas de
m(t
1
, t
2
) en t
1
=0, t
2
=0. As, pues
DISTRIBUCION NORMAL
BIVARIADA
Y, por tanto la varianza de x es,


Anlogamente derivando respecto a t
2
, se halla la media y la
varianza de y, que son Se obtienen tambin los
momentos mixtos

Derivando m(t
1
,t
2
) r veces respecto a t
1
y s veces respecto a t
2
, y
haciendo a continuacin t
1
y t
2
iguales a cero. La covarianza de x
y y es:

DISTRIBUCION NORMAL
BIVARIADA
El parmetro es el coeficiente de correlacin
entre las variables X e Y :

( )
( ) ( ) | |
y x
y x
y x
Y X E
Y X Cov
o o

o o

= =
.
,
DISTRIBUCION NORMAL
BIVARIADA
DISTRIBUCION NORMAL
BIVARIADA
Si = 0, entonces X e Y son independientes, o sea:



Ahora, el valor medio de una variante en una distribucin
condicional recibe el nombre de regresin cuando se
considera como funcin de las variantes fijadas en la
distribucin condicional.


( )
(
(
(

(
(

+
(

=
2
2
.
2
1
exp
. 2
1
,
y
y
x
x
y x
y
x
y x f
o

o

o o t
DISTRIBUCION NORMAL
BIVARIADA
As, la regresin para x es:


Que en este caso es una funcin lineal de y. Para
distribuciones bivariantes en general, la media de x en
la distribucin condicional de x, dado y=y, ser cierta
funcin g(y) y la ecuacin x=g(y).
Representada en el plano x,y da la curva para x. Se
trata de una curva que da la situacin de la media de
x para los diversos valores de de y en la densidad
condicional de x dado y.

DISTRIBUCION NORMAL
BIVARIADA
Para la distribucin normal bivariante, la curva de de
regresin es la recta obtenida representando:



Figura 1. Curva de de regresin para distribucin normal bivariante, y la funcin de densidad condicional de x para los valores particulares y
0 y
y
1
, de y.
DISTRIBUCION NORMAL
BIVARIADA
Ejemplo: Dos elementos (X,Y) se distribuyen como N (,E), siendo :



Al analizar un elemento se observa que contiene 6 gramos de X.
- Cul es el valor ms probable de Y?
|
|
.
|

\
|
= E
2 8 . 0
8 . 0 1
|
|
.
|

\
|
=
6
4

DISTRIBUCION NORMAL
BIVARIADA
Primero sacamos o1 y o2 (sacndole raz a los elementos de la
diagonal), y luego con eso obtenemos .
La respuesta consiste en encontrar:
| | 6 = x y E /
| | 6 7 6
1
1
2
2
, ) ( / = + = =
o
o
x x y E
| | 72 2 1 6
2
2
2
, ) ( / = = = o x y V
A) Variables independientes B) Variables dependientes
DISTRIBUCION NORMAL
BIVARIADA
Ejemplos de correlacin nula
DISTRIBUCION NORMAL
BIVARIADA
Ejemplos de correlacin lineal positiva: cercano a 1
DISTRIBUCION NORMAL
BIVARIADA
Ejemplos de correlacin lineal negativa: acercndose progresivamente a -1
DISTRIBUCION NORMAL
BIVARIADA
La mayora de los mtodos multivariados tradicionales
dependen de vectores de datos que son muestras
aleatorias provenientes de distribuciones normales
multivariadas.
Entonces es importante comprender qu se requiere para
que un vector de variables aleatorias como:



Sea multivariado normalmente distribuido

Distribucin Normal Multivariada (K-
Dimensional)
(
(
(
(
(

=
p
x
x
x
x

2
1
Se dice que un vector de variables aleatorias



Tiene una distribucin normal multivariada si:



Tiene una distribucin normal univariada para todos los
conjuntos posibles de valores seleccionados para los
elementos en el vector a.
Distribucin Normal Multivariada (K-
Dimensional)
(
(
(
(
(

=
p
x
x
x
x

2
1
| |
(
(
(
(
(

=
p
p
x
x
x
a a a x a

2
1
2 1
'
Distribucin Normal Multivariada (K-
Dimensional)
La distribucin Normal escalar tiene como funcin de densidad:



Y escribimos X ~ N (,
2
) para expresar que x tiene distribucin
normal con media y varianza
2
.
Generalizando esta funcin, diremos que un vector x sigue una
distribucin Normal p-dimensional si su funcin de densidad es:


)
`

=
2 2
) (
2
1
2 1 2 \ 1
) ( ) 2 (
1
) (
o
o t
x
e x f
)
`

=
) ( ) (
2
1
2 1
\ 1
1
) 2 (
1
) (

t
x V x
p
T
e
V
x f
Las propiedades principales son:
Las distribucin es simtrica alrededor de
La simetra se comprueba sustituyendo en la densidad x por a y
observando f(+a)= f( a).
La distribucin tiene un nico mximo en
Al ser V definida positiva, el trmino del exponente

es siempre positivo, y la densidad f(x) ser mxima cuando dicho
trmino sea cero, lo que ocurre para x=.
La media del vector aleatorio Normal es y su matriz de
varianzas y covarianzas es V.
Estas propiedades, que pueden demostrarse rigurosamente, se
deducen al comparar las densidades univariante y multivariante.


Distribucin Normal Multivariada (K-
Dimensional)
) ( ) (
1


x V x
T
Si p variables aleatorias tienen distribucin conjunta normal y estn
incorreladas son independientes.
La comprobacin de esta propiedad consiste en tomar en la definicin la
matriz V diagonal y comprobar que entonces f(x)=f(x
1
),, f(x
p
).
Cualquier vector x Normal p-dimensional con matriz V no singular
puede convertirse mediante transformacin lineal en un vector x
normal p-dimensionales con vector de medias 0 y matriz de varianzas
y covarianzas igual a la identidad (I). Llamaremos normal p-
dimensional estndar a la densidad de Z, que vendr dada por:

[
=
)
`

)
`

= =
p
i
Z
p
VZ Z
p
i
T
e e z f
1
2
1
2 \
2
1
2 \
2
) 2 (
1
) 2 (
1
) (
t t
(1)
Distribucin Normal Multivariada (K-
Dimensional)
La demostracin de esta propiedad es como sigue: al ser V definida
positiva existe una matriz cuadrada A simtrica que consideramos su raz
cuadrada y verifica:
V=AA
Definiendo una nueva variable: Z=A
-1
((x - ), entonces x=+AZ y la
funcin de densidad de z es:
f
z
(Z)=f
x
(+AZ)|A|
y utilizando AV
-1
A=I, se obtiene (1). Por tanto, cualquier vector de
variable Normales X en R
p
puede transformarse en otro vector R
p
de
variables normales independientes y de varianza unidad.
Las distribuciones marginales son normales.
Si las variables son independientes la comprobacin de esta propiedad es
inmediata.

(2)
Distribucin Normal Multivariada (K-
Dimensional)
Cualquier sub conjunto de h<p variables es normal h-
dimensional.
Es una extensin de la propiedad anterior y se demuestra
anlogamente.

Si y es (k x 1), kp, el vector y=Ax, donde A es una matriz
(k x p), es normal k-dimensional. En particular, cualquier
variable escalar y=A
T
x, (siendo A
T
un vector 1xp no nulo)
tiene distribucin normal.


Distribucin Normal Multivariada (K-
Dimensional)