Indice general

1. Distribuci
on Normal Multivariante
1.1. Distribucion normal multivariante. Aspectos probabilsticos . . .
1.1.1. Definicion. Media y matriz de covarianzas . . . . . . . . .
1.1.2. Algunas propiedades. Tipificacion. Funcion caracterstica
1.1.3. Caracterizacion de la ley normal . . . . . . . . . . . . . .
1.1.4. Distribuciones marginales y condicionadas . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

3
3
3
4
5
6

Francisco Torres Ruiz/Patricia Roman Roman

Calculo y Modelizacion Estocastica. Procesos de Difusion

Master Univ. en Estadstica Aplicada.

Captulo 1

Distribuci
on Normal Multivariante
1.1.
1.1.1.

Distribuci
on normal multivariante. Aspectos probabilsticos
Definici
on. Media y matriz de covarianzas

Hay varias formas de introducir la ley Normal Multivariante. Nosotros lo haremos a partir de la
funcion de densidad. Comenzaremos con el caso definido positivo.
un
Definici
on 1.1.1. Un vector aleatorio X = (X1 , . . . , Xp ) que toma valores en Rp se distribuye seg
una ley normal normal p-variante si su densidad es de la forma
(
)
1
1
f (x) =
(x ) (x ) , x = (x1 , . . . , xp ) Rp
p
1 exp
2
(2) 2 | | 2
1

(1.1)

donde pp es una matriz simetrica definida positiva y Rp .

Ahora verificaremos que la funcion (1.1) es realmente una densidad. Necesitamos antes un resultado tecnico.
Lema 1.1.1. Sea X un vector aleatorio p-dimensional con funci
on de densidad f definida en Rp .
Si Cpp es una matriz no singular entonces la densidad del vector aleatorio Y = CX viene dada por
h(y) = f (C1 y) | C |1 , y Rp .
Demostracion. Consideremos g : Rp Rp dada por y = g(x) = Cx. Como C es no singular,
entonces existe C1 y se verifica g 1 (y) = C1 y. Si llamamos cij a los elementos de C1 y nop

)
(
cij yj de donde
tamos g 1 (y) = g11 (y1 , . . . , yp ), . . . , gp1 (y1 , . . . , yp ) , entonces gi1 (y1 , . . . , yp ) =
j=1

gi1 (y1 , . . . , yp )
= cil , i, l = 1, . . . , p, por lo que J =| C1 |=| C |1 . Aplicando el teorema de cambio
yl
de variable, y teniendo en cuenta que la funcion g transforma Rp en Rp se con
cluye el resultado 
Teorema 1.1.1. La funci
on (1.1) es una densidad. Adem
as E[X] = y Cov[X] = .
Demostracion. En primer lugar, f (x) 0, x Rp pues | |> 0. Por otro lado, como > 0 entonces
Cpp no singular tal que = CC . Sea el cambio de variable Y = C1 X. A partir del lema anterior
3

Francisco Torres Ruiz/Patricia Roman Roman

1

el jacobiano de la transformacion inversa es J =| C |. Ademas | |=| C |2 , por lo que | C |=| | 2 .

Con todo ello
(
)

1
1
1
(x ) (x ) dx
p
1 exp
2
Rp (2) 2 | | 2
(
)
1

| |2
1
1 1
=
(Cy ) C C (Cy ) dy
p
1 exp
2
Rp (2) 2 | | 2
(
)

1
1
1 1 1
1
(y C ) C C C C(y C ) dy
=
p exp
2
Rp (2) 2
(
)

1
1

=
(y ) (y ) dy
p exp
2
Rp (2) 2
)
(

1
1
2

=
donde = C1
exp (yi i ) dyi = 1
2
2
i=1 R
A partir del calculo anterior se deduce que el vector Y tiene por densidad
(
)
1
1

(y ) (y )
p exp
2
(2) 2
y de la u
ltima integral se deduce, integrando en Rp1 , que las marginales son normales unidimensionales N1 [i ; 1] y ademas son independientes. Con ello, E[yi ] = i , i = 1, . . . , p, de donde E[Y] = y
as
1
E[X] = E[CY] = C = CC = .
Ademas, Cov[yi , yj ] = ij , i, j = 1, . . . , p, por lo que Cov[Y] = Ip . As
Cov[X] = Cov[CY] = C Cov[Y]C = CC =

1.1.2.

Algunas propiedades. Tipificaci

on. Funci
on caracterstica

El primer resultado que mostramos presenta dos partes: en la primera se generaliza la propiedad de
independencia de las componentes del vector normal (ya implcita en una version mas simple en la
verificacion de la densidad normal), mientras que en la segunda se observa como se comporta esta
distribucion frente a cambios lineales no singulares.
Teorema 1.1.2. Sea X

Np [; ] con > 0.

1. Si = diag(12 , . . . , p2 ) entonces Xi
independientes.

N1 [i ; i2 ], i = 1, . . . , p y adem
as dichas variables son

2. Sea Bpp no singular y sea Y = BX. Entonces Y

Np [B; BB ].

Demostracion.
1. A partir de la expresion generica de la densidad normal tendremos:
(
)
1
1
1
f (x) =
exp

(x

(x

)
p
1
2
(2) 2 | | 2
)
(
)
(
p
p

1
1
1 (xi i )2
1 (xi i )2

=
=
exp

exp

p
2
2
i2
i2
2
p
2
i=1
i=1
i
(2) 2

i=1

Calculo y Modelizacion Estocastica. Procesos de Difusion

Master Univ. en Estadstica Aplicada.

Francisco Torres Ruiz/Patricia Roman Roman

De esta expresion se deduce, integrando en Rp1 , que las marginales se distribuyen seg
un normales unidimensionales N1 [i ; i2 ] y son independientes.
2. Dado el cambio Y = BX, el jacobiano de la transformacion inversa es | B |1 . Por tanto
(
)
| B |1
1 1
1
1
h(y) =
(B y ) (B y )
p
1 exp
2
(2) 2 | | 2
(
)
1
1
1 1 1
exp

=
(y

B)
B

B
(y

B)
p
1
2
(2) 2 | | 2 | B |
(
)
1
1

1
=
(y B) (BB ) (y B)

p
1 exp
2
(2) 2 | BB | 2
Comentario 1.1.1. Como es definida positiva, entonces = CC . Consideremos el cambio de
variable Y = C1 (X ). Entonces, aplicando el resultado anterior, se tiene que Y
Np [0; Ip ].
Finalmente se calcula la funcion caracterstica de la ley normal.
Teorema 1.1.3. Sea X ; Np [; ] con > 0. Entonces su funci
on caracterstica viene dada por
(
)
1

X () = exp i
, Rp
2
Demostracion. Empezaremos tratando el caso = Ip .
(
)
(
)
p

1
1
1 2

exp itj yj yj dyj

it y y y dy =
Y (t) = E[e
]=
p exp
2
2
2
Rp (2) 2
j=1 R
)
(
)
(
p
p

1
1
=
Yj (tj ) =
exp t2j = exp t t
2
2
it Y

j=1

j=1

donde se ha usado la forma de la funcion caracterstica para la normal unidimensional. A partir de

ello se tendra, retomando el cambio de la tipificacion = CC :

X () = E[ei X ] = E[ei (CY+) ] = ei E[ei CY ] = ei Y (C )

(
)
(
)
1
1
i

=e
exp CC = exp i , Rp
2
2

1.1.3.

Caracterizaci
on de la ley normal

El siguiente resultado conduce a una interesante caracterizacion de la ley normal multivariante.

Teorema 1.1.4. Sea X

Np [; ] con > 0.

1. Sea Aqp una matriz de constantes con rg(A) = q p. Entonces

Y = AX

Nq [A; AA ]

on lineal de las componentes de un vector aleatorio normal es una variable

2. Toda combinaci
normal unidimensional.
3. La condici
on necesaria y suficiente para que un vector aleatorio X se distribuya de forma normal
multivariante es que cualquier combinaci
on lineal de sus componentes sea una variable aleatoria
unidimensional que se distribuya de forma normal.
Calculo y Modelizacion Estocastica. Procesos de Difusion

Master Univ. en Estadstica Aplicada.

Francisco Torres Ruiz/Patricia Roman Roman

Demostracion.
1. Basandonos en la funcion caracterstica se tiene:
Y (t) = E[e

it Y

] = E[e

it AX

(
)
1

] = X (A t) = exp it A t AA t
2

de donde se obtiene el resultado.

2. Es inmediato, tomando en el apartado anterior A como un vector p 1. Notemos que, en
particular, cada componente es normal unidimensional.
3. Falta por verificar la condicion suficiente. As pues partimos de que l Rp se tiene que
l X
N1 [l ; l l]. Con ello
(
)
1 2

itl X

t R ; l Rp
l X (t, l) = E[e
] = exp itl t l l
2
En particular
l X (1, l) = E[e

il X

(
)
1

] = exp il l l = X (l) , l Rp 
2

Comentario 1.1.2. Notemos que tenemos ya cuatro formas de definir la densidad normal, con
> 0.
1. A partir de su funci
on de densidad.
2. A partir de su funci
on caracterstica.
3. Xp1 se distribuye de forma normal p-dimensional s y s
olo s toda combinaci
on lineal de sus
componentes se distribuye como una normal unidimensional.
4. X
Np [; ], con > 0, s y s
olo s X se distribuye como + AU, donde = AA (A
no singular) y donde U
Np [0; Ip ]. Esto es inmediato a partir de los cambios de variable ya
estudiados y precisa, obviamente, introducir previamente la normal esferica.

1.1.4.

Distribuciones marginales y condicionadas

Sea X
Np [; ], con > 0 y particionemoslo en la forma X = (X(1) | X(2) ) donde X(1) es
q-dimensional y X(2) es (p q)-dimensional. Supongamos en y las particiones inducidas a partir
de la anterior, o sea
(
)
)
(
(1)
11 12
=
; =
(2)
21 22
Teorema 1.1.5. En las condiciones anteriores,
1. X(1)

Nq [(1) ; 11 ] y X(2)

N(pq) [(2) ; 22 ]

2. Si 12 = 21 = 0 entonces X(1) y X(2) son independientes.

Demostracion.
Calculo y Modelizacion Estocastica. Procesos de Difusion

Master Univ. en Estadstica Aplicada.

Francisco Torres Ruiz/Patricia Roman Roman

1. Para calcular la distribucion de X(1) basta tomar la matriz C = [Iq | 0q(pq) ] y el cambio de
variable Y = CX. Con ello tenemos que Y = X(1) y ademas Y
Nq [C; CC ]. Realizando
las operaciones se concluye que Y = X(1)
Nq [(1) ; 11 ].
Para calcular la densidad de X(2) basta considerar C = [0(pq)q | Ipq ].
2. La demostracion es inmediata sin mas que tener en cuenta que en este caso la densidad conjunta
factoriza. En efecto:
(
)
1
1
1
f (x) =
(x ) (x )
p
1 exp
2
(2) 2 | | 2
=

1
p
2

(2) | 11 | 2 | 22 | 2
))
(
( 1
)(
1
x(1) (1)
11
0

exp ((x(1) (1) ) | (x(2) (2) ))

x(2) (2)
0
1
2
22
(
)
1
1
=
(x(1) (1) ) 1
q
1 exp
11 (x(1) (1) )
2
(2) 2 | 11 | 2
)
(
1
1
1


exp (x(2) (2) ) 22 (x(2) (2) )

pq
1
2
(2) 2 | 22 | 2

Teorema 1.1.6. En las condiciones del teorema anterior se tiene

1. X(2) 21 1
11 X(1)

Npq [(2) 21 1
11 (1) ; 22.1 ]

2. X(1) y X(2) 21 1
11 X(1) son independientes.
Npq [(2) + 21 1
11 (x(1) (1) ); 22.1 ]

3. X(2) | X(1) = x(1)

donde 22.1 = 22 21 1
11 12
Demostracion. Consideremos la matriz

C=

Iq
0q(pq)
21 1
Ipq
11

y realicemos el cambio de variable Y = CX. Con ello es inmediato que Y

Np [C; CC ]. Pero
(
) (
)
(
)
X(1)
(1)
Y(1)
Y=
=
, C =
Y(2)
X(2) 21 1
(2) 21 1
11 X(1)
11 (1)
y

)(
)
)(
Iq
0q(pq)
11 12
Iq
1
12
11
CC =
21 22
0(pq)q
Ipq
21 1
Ipq
11
(
) (
)(
)
1
11
0q(pq)
11
12
Iq
11 12
=
=
0(pq)q 22.1
0(pq)q
22.1
0(pq)q
Ipq

de donde se deducen los dos primeros apartados. Para calcular la distribucion condicionada tengamos
en cuenta que la densidad conjunta de Y, al ser independientes Y(1) e Y(2) , viene dada por
f (y(1) , y(2) ) =

1
q
2

pq
2

(2) (2)
| 11 | 2 | 22.1 | 2
)
(
)
(
1
1
1
1
exp (y(1) (1) ) 11 (y(1) (1) ) exp (y(2) ) 22.1 (y(2) )
2
2

Calculo y Modelizacion Estocastica. Procesos de Difusion

Master Univ. en Estadstica Aplicada.

Francisco Torres Ruiz/Patricia Roman Roman

donde = (2) 21 1
11 (1) . Si realizamos el cambio de variable inverso al anterior
(
X=

X(1)
X(2)

(
=

Y(1)
Y(2) + 21 1
11 Y(1)

)
=

Iq
0q(pq)
21 1
Ipq
11

)(

Y(1)
Y(2)

la matriz jacobiana de la transformacion es Ip y con ello la densidad de X es

(
)
1
1
1
f (x) =
exp (x(1) (1) ) 11 (x(1) (1) )
q
pq
1
1
2
(2) 2 (2) 2 | 11 | 2 | 22.1 | 2
(
)
1
1
1
1
exp (x(2) 21 11 x(1) ) 22.1 (x(2) 21 11 x(1) )
2
(
)
1
1
1
=
exp (x(1) (1) ) 11 (x(1) (1) )
q
pq
1
1
2
(2) 2 (2) 2 | 11 | 2 | 22.1 | 2
(
)
) 1 (
)
1(
1
1
exp x(2) (2) 21 11 (x(1) (1) ) 22.1 x(2) (2) 21 11 (x(1) (1) )
2
de donde
f (x(2) | X(1) = x(1) ) =

1
pq
2

(2)
| 22.1 | 2
(
)
) 1 (
)
1(
1
1
exp x(2) (2) 21 11 (x(1) (1) ) 22.1 x(2) (2) 21 11 (x(1) (1) )

2

Teorema 1.1.7. En las condiciones del teorema anterior se tiene

1. X(1) 12 1
22 X(2)

Nq [(1) 12 1
22 (2) ; 11.2 ]

2. X(2) y X(1) 12 1
22 X(2) son independientes.
3. X(1) | X(2) = x(2)

Nq [(1) + 12 1
22 (x(2) (2) ); 11.2 ]

donde 11.2 = 11 12 1
22 21
Demostracion. La demostracion es similar a la anterior pero considerando la matriz
(
)
Iq
12 1
22
C=

0(pq)q
Ipq

Calculo y Modelizacion Estocastica. Procesos de Difusion

Master Univ. en Estadstica Aplicada.