Академический Документы
Профессиональный Документы
Культура Документы
Departamento de Matemáticas
Universidad Autónoma de Madrid
Vectores aleatorios
en el sentido de que
Z
P{X ∈ B} = PX (B) = f (x) dx, para B ∈ BRd .
B
V(AX + b) = AV(X)A0 .
4
−4 −2 0 2 4
0 0 21 1 22
0 2 4
−2 00000 222222
−4 0 4
2
x
x2
0
y
y yyy
−2
−2
z
−2
−2
x
−4 −2
z z
x
−4
−4 0 2 4 −3
−2
−3
−4
−2
−3
−2
−2 −2
−1
−1
−1
00000011
2
11122224
−2−2
zz
x
x x1
x −4 0 2 4 −2
−2 00 11 22 3
−4 −2 0 2 4
−4 −2 0 2 4 x1
−1 2 1 2
0 2 4
0000 1222222
0 4
−1
x
x2
22 −1
y
screen(1)
## bivariate normal pdf
library(mvtnorm)
x = y = seq(-5, 5, length = 50)
f = function(x,y) { dmvnorm(cbind(x,y)) }
z = outer(x, y, f)
par(mai=c(0.1,0.1,0.1,0.1))
persp(x, y, z, theta=5, phi=50, expand=0.5, col="lightblue")
screen(2)
## contours of the bivariate normal pdf
x = y = seq(-5, 5, length = 150)
z = outer(x, y, f)
par(mai=c(0.5,0.5,0.5,0.5))
contour(x, y, z, nlevels=20, col=rainbow(20))
screen(3)
## normal data
X = rmvnorm(n=100,sigma=matrix(c(1,0,0,1),ncol=2))
par(mai=c(0.5,0.5,0.5,0.5))
plot(X[,1],X[,2], pch=19,xlab=expression(x[1]),ylab=expression(x[2]))
x
x2
0
y
y yyy
−2
Ejemplos dex densidades normales bidimensionales (p = 2):
−2
z
−2
−2
−4 −2
z z
x
−4
−4 0 2 4 −3
−2
−3
−4
−2
−3
−2
−2 −2
−1
−1
−1
00000011
2
11122224
−2−2
zz
x 1 0.7
x µ=0 Σ= x1
x −4 0 0.7
2 4 1 −2
−2 00 11 22 3
−4 −2 0 2 4
−4 −2 0 2 4 x1
−1 2 1 2
0 2 4
0000 1222222
0 4
−1
x
x2
−2 −1
y
−4
−2
y
−2
−4
−2
z
−2
−3
x
−4
−4 0 2 4 −3
−2
−2
−2
−2
−3
−2 −1
−1
0000011111122222223
−3
z
x x1
−4 0 2 4 −2 0 1 2
screen(2)
## contours of the bivariate normal pdf
x = y = seq(-5, 5, length = 150)
z = outer(x, y, f)
par(mai=c(0.5,0.5,0.5,0.5))
contour(x, y, z, nlevels=20, col=rainbow(20))
screen(3)
## normal data
X = rmvnorm(n=100,sigma=Sigma)
par(mai=c(0.5,0.5,0.5,0.5))
plot(X[,1],X[,2], pch=19,xlab=expression(x[1]),ylab=expression(x[2]))
1 0
Σ1 =
0 1
1 −0.7
Σ2 =
−0.7 1
1 0.5
Σ3 =
0.5 1
5 0
Σ4 =
0 1
0.008
0.012
2
0.016
0.02
0.024
B ●
0.028
A = (1, 4) 0 ●
0
0.03
B = (4, 1) 0.026
0.022
0.018
−2
0.014
0.01
0.006
0.004
0.002
−4
−5 0 5
pdf(file="MahalDistExample.pdf",width=8,height=5)
par(mai=c(0.5,0.5,0.1,0.1))
contour(x, y, z, nlevels=20, col=rainbow(20), xaxs="i",yaxs="i",xlim=c(-8,8),ylim=c(-5,5))
points(1,4,pch=19,cex=2)
segments(0,0,1,4)
points(4,1,pch=19,cex=2)
segments(0,0,4,1)
points(0,0,pch=19,cex=2)
text(0.5,4.1,"A")
text(3.5,1.1,"B")
text(-0.5,0,"0")
dev.off()
A = matrix(c(1,4),ncol=1)
B = matrix(c(4,1),ncol=1)
MDA0 = t(A) %*% solve(Sigma) %*% A
MDB0 = t(B) %*% solve(Sigma) %*% B
6
0.002
0.004
A● 0.008
B●
4
0.012
0.016
0.02
• A = (−4, 4), B = (4, 4)
2
0.026
24
0.0
2
0.03
• dE (A, O) = dE (B, O) O●
34
0
0.0
3
0.0
0.01
0.006
−6
−6 −4 −2 0 2 4 6
Estadı́stica II (Mat/DG). Profesora: Amparo Baı́llo Tema 1: Distribución normal multivariante 17
x = seq(-7, 7, length = 50)
y = seq(-7, 7, length = 50)
Sigma = matrix(c(6,4,4,6), ncol=2)
f = function(x,y) { dmvnorm(cbind(x,y),sigma=Sigma) }
z = outer(x, y, f)
pdf(file="MahalDistExample2.pdf",width=8,height=5)
par(mai=c(0.5,0.5,0.1,0.1),pty="s")
contour(x, y, z, nlevels=20, col=rainbow(20), xaxs="i",yaxs="i")
abline(h=0,col="gray")
abline(v=0,col="gray")
points(-4,4,pch=19,cex=2)
segments(0,0,-4,4)
points(4,4,pch=19,cex=2)
segments(0,0,4,4)
points(0,0,pch=19,cex=2)
text(-4.5,4.1,"A")
text(3.5,4.1,"B")
text(-0.5,0,"O")
dev.off()
A = matrix(c(-4,4),ncol=1)
B = matrix(c(4,4),ncol=1)
MDA0 = t(A) %*% solve(Sigma) %*% A
MDB0 = t(B) %*% solve(Sigma) %*% B
calculan Sn−1 .
Histogram of D2
n = 100 # tama~
no muestral
Sigma = matrix(c(1,0,0,1), ncol=2)
# Muestra de una normal bivariante estándar:
X = rmvnorm(n,mean=c(0,0),sigma=Sigma)
0.3
m = colMeans(X) # medias muestrales
S = cov(X)
# Cuadrados de distancias de Mahalanobis a m:
Density
0.2
D2 = mahalanobis(X, m, S)
pdf(file="MahalDistChi2.pdf",width=6,height=5)
0.1
hist(D2,freq=F)
ejex = seq(0,max(D2),0.1)
denschi2 = dchisq(ejex,df=2)
0.0
lines(ejex,denschi2)
dev.off() 0 2 4 6 8 10
D2
X2 = rbind(X,rmvnorm(n,mean=c(3,3),sigma=Sigma) )
m2 = colMeans(X2)
0.3
S2 = cov(X2)
D22 = mahalanobis(X2, m2, S2)
Density
0.2
pdf(file="MahalDistChi22.pdf",width=6,height=5)
hist(D22,freq=F)
ejex = seq(0,max(D22),0.1)
0.1
denschi2 = dchisq(ejex,df=2)
lines(ejex,denschi2)
dev.off()
0.0
0 2 4 6 8 10 12
D22
0.20
Datos = read.table("alcornoques.txt",header=TRUE)
m = colMeans(Datos)
0.15
S = cov(Datos)
D2 = mahalanobis(Datos, m, S)
Density
0.10
pdf(file="MahalDistAlcor.pdf",width=6,height=5)
hist(D2,freq=F)
ejex = seq(0,max(D2),0.1)
0.05
denschi2 = dchisq(ejex,df=4)
lines(ejex,denschi2)
dev.off()
0.00
0 2 4 6 8 10 12
D2
R = D−1/2 SD−1/2 ,
AX + b ∼ Nq (Aµ + b, AΣA0 )
Observaciones:
I Si dos v.a. X e Y tienen distribución normal y además
Cov(X , Y ) = 0, esto no implica que X e Y sean independientes.
I Si dos v.a. X e Y tienen distribución normal y a, b ∈ R, la
combinación lineal aX + bY no tiene necesariamente distribución
normal.
I Aunque todas las marginales de un vector aleatorio p-dimensional
X tengan distribución normal, esto no implica que X tenga
distribución normal p-dimensional.
donde
Observaciones:
I µ2.1 = E(X2 |X1 ) es una función lineal (afı́n) de X1 .
I Σ2.1 no depende de X1 (homocedasticidad).
Estadı́stica II (Mat/DG). Profesora: Amparo Baı́llo Tema 1: Distribución normal multivariante 30
Ejemplos:
X 0 10 3
Sea ∼ N2 ,
Y 0 3 1
1. Calcula la distribución de Y dada X .
2. Repite el ejercicio para la distribución de X dada Y .
X 1 3 1
Sea ∼ N2 , .
Y 1 1 2
1. Calcula la distribución de X + Y condicionada a que
X − Y = 1.
Ȳ 1n = MY
n
X
(Yi − Ȳ )2 = Y0 (In − M)Y,
i=1
n
1X
donde Ȳ = Yi .
n
i=1
Interpretación geométrica: M es una matriz de proyección sobre
el subespacio de Rn cuya base es 1n .