ESTADtSTICA ESPAOLA

Vol. 36, Nm. 137, 1994, pgs. 389 a 402

Distribuciones multivariantes con distribuciones condicionadas t de Student (*)

por JOSE MARIA SARABIA

Departarnento de Economa Facultad de Ciencias Econmicas y Empresariales Universidad de Cantabria

RESUMEN
En el siguiente trabajo se ofrece una nueva versin multivariante de la t de Student mediante especificacin condicional, en la li nea de Arnold, Castillo y Sarabia (1992). Se estudian algunos modelos de inters en el caso bidimensional. Se establecen teoremas que permiten caracterizar la t de Student n-dimensional clsica mediante hiptesis condicionales. Pa/abras c/ave: distribucin t de Student n-dimensional clsica, especificacin condicional, caracterizacin. Clasificacin AMS: 62 H 05, 62 E 10 .
(*) Trabajo parcialmente subvencionado por la DGICYT, proyecto PB92-0500. EI autor agradece los comentarios de los evaluadores annimos, de un editor asociado y del editor, que han contribuido en la mejora de una versin preliminar del presente trabajo.

F.ti^I AF)i^,`i l( ^ F-.tiP;^tit )l..A

1,

INTRODUCCION

^os sistemas de ecuaciones lineales simultneas son de uso habitual en la prctica economtrica. En la estimacin de los parmetros de estos sistemas se supone que el trmino de error sigue una distribucin normal n-dimensional. Sin embargo, en ocasiones parece ms conveniente trabajar con distribuciones multivariantes cuyas colas sean ms pesadas que la normal, y que contengan a sta corno caso particular. Resulta bien conocida la sensibilidad de la eficiencia asinttica de los estimadores deducidos bajo la hiptesis de normalidad. En este sentido, Prucha y Kelejian (1984) proponen la estimacin de ecuaciones simultneas con errores gobernados por 1a distribucin t de Student n-dimensional. Lange, Little y Taylor (1989} utilizan la distribucin t como base para la estimacin robusta en una gran variedad de problemas, incluyendo modelos de regresin lineal y no lineal. Par otro lado, esta distribucin surge en estadstica bayesiana como la distribucin posterior de las columnas del vector de parmetros, en el modelo de regresin multivariante, con distribuciones a priori no informativas [vase, por ejemplo, Press (1989), pp. 131 y ss.]. En 1o que sigue, diremos que un vector aleatorio X sigue una distribucin t de Studen# n-dimensional clsica, y lo denotaremos por X^#n (a ;^,^), si su funcin de densidad viene dada par:

fx ( x)=

r {(a + n )12) (^I^^2 (c^c,n)n^2 T' (tx12)

1 +1 a

(X_^), ^-, (x-.^)

-(a+n)/2

dande E( X) _^ si a> 1 y Cov (.X ) = oc ^/(oc - 2) si a> 2. 4tras formas de distribuciones t muftivariantes, junto con aplicaciones, pueden encontrarse en el clsico Johnson y Kotz {1972). Para el estudio de esta distribucin en el contexto de las distribuciones simtricas multivariantes puede consultarse Fang, Kotz Y N9 {^ 99^).

En el siguiente trabajo se ofrece una nueva versin multivariante de la t de Student mediante especificacin condicional, en la lnea de Arnold, Castillo y Sarabia ( 1992). La distribucin obtenida cubre un amplio espectro de distribuciones, adems de contener como caso particular la distribucin t de Student ndimensional clsica. En el caso bidimensional, las curvas de regresin son no lineales, y la varianza condicionada no es necesariamente cuadrtica. Se establecen teoremas que perrniten caracterizar la t de Student n-dimensional clsica mediante hiptesis condicionales. Comenzaremos por el caso de dos dimensiones.

l)IST'RIHUC'IONE:S MUI."T"IVARIAN'I'I-:S C'ON DISTRIE3l..IC1ONES C"C)N[)1("IOtiADAS r I)f: STl'I)EN'I

iy ^

2.

EL CASO BIDIMENSI4NAL

Supongamos una variable aleatoria unidimensional Ua con distribucin t de Student (Ua ^ t, (a ; 0, 1)), con funcin de densidad (a > 0):
I^ ((oc + 1) / 2) (an}^^2 I'(a/2} 1+ 1 a
-(a+^^i2

f u^ u) =^

u2

si-^< u<^

Estamos interesados en identificar la clase de variables aleatorias bidimensionales (X , Y ) tales que: X/ Y= Y~ , ( Y)+ a, ( Y) Ua Y/X= x^ 2 ( x) + a2 (X) Ua [2.1 aJ [2.1b]

donde y ( y), 2 ( x), a^ ( y), a2 ( x) son funciones reales a determinar, que representan los parmetros de localizacin^ y escala condicionales, donde cs^ ( x), a2 ( y) > 0 para todo x, y. Si denotamos por fX ( x), fY ( y) las correspondientes funciones de densidad marginales, y escribimos la funcin de densidad conjunta como producto de marginales y condicionadas, segn [2.1 ], se obtiene que (c constante) :
Y 2(x) 2 ^2 ( x )

f ( x ^Y) = c f X(x) 62 ( x )

1+ 1 ^

[2.2a]

f ( x ^Y)

fy (Y) c 6^ {Y)

1 +a

x- ^(Y) 2 cs ^ (Y)

(a + 1) I 2

[2-2bJ

Las expresiones [2.2] son potencias del mismo grado de expresiones del tipo a(x) + b(x) y+ c(x) y2 y u( y) + v( y) x+ w(y) x2 , respectivamente, y deben coincidir. La primera tiene derivada segunda con respecto a y que no depende de y, y ocurre lo mismo con la segunda. Por tanto, a( x), b( x) y c( x) son polinomios de segundo grado. Por simetra, u ( y), v( y) y w( y) tarnbin son polinomios de segundo grado. Se verifica, entonces, que la funcin de densidad buscada, caso de existir, ha de ser de la forma: f(x, y) a(A + Bx + cy + Dx2 + Ey2 + Fxy + Gxy2 + Hx2y + Jx2y2 [2.3]

F.^T.^DiS^^T1t'A E^;F'A^+t^)LA

El razonam^ento realizado establece que f( x, y} no puede ser de otro modo. Usando [2.2a] y[2.3], mediante identificacin se obtiene que:
fh,{X) c^2(x)
-21 (cY+ 1) u2 (x) 2

1 + aa2 (x)

= A + Bx + Dx

[2.4a]

fX{X)

-21(cx+1)

-2 c

^(x)
= C + Fx + Hx 2 a62 (x) [2.4b]

6 2 (x}

fx(x) cs2 (x)

-21(^x+>>

1 ^ ^2 (x).

=E+Gx+Jx2

[2.4c]

Frmulas simtricas se obtienen considerando [2.2b] y[2.3]. Ahora, utilizando [2.4] y las correspondientes #rmulas simtricas, se obtiene que (suponiendo en todo mornento la existencia):

_ _ 1 =E X/Y = ' { Y ) { 2 y)

B+Fy+Gy2 D+ H 2 y + Jy

[ 2 5 a]

x = E Y/X =x = _ 1 2 2 { ) ( )

D+Fx+Hx2

E + Gx + Jx2

2 . 5b

y si a, > 2, ias varianzas condicionadas (supuesta la existencia 4{A + Gy+ Ey2) (D+ Hy+ Jy^) -{8+ Fy+ Gy2)2 1 = a 2 ^ V{ X/Y-Y) _ a-2 ^ {Y) a_2 4 (D+ Hy+ Jy2)2 [2.6a] 4(A + Bx+ Dx2) (E+ Gx+ Jx2) -(G+ Fx+ Hx2,^^ 4 (E+ Gx+ Jx2)2 [2.6b]

V (Y/X = x) _

^ 62 (x) - 1 a-2 a-2 2

La funcin de densidad de X, caso de existir, toma la forma:

I)IS"fR1K[^('1ONE^.S MCILTIVARIAN'fE;S ('ON f)tS'IRlHUC'1ONE:S (^ONI)1('1(:)ti,-^1),aS r UI-, 5Tl"^)F-:?^ I

^y^

(E+ Gx+ Jx^)<<x-' ^ ,^ ^ [(A+ Bx+ Dx^) (E+ ,^x+ Jx^) --(C+ Fx+ Hx^}^ l 4 Anlogamente: (D+ Hy+ Jy2)(a-1) l 2
fy (y) ` c,rr2

[2.7a]

^{A+ Cy+ Ey2) (D+ Hy+ Jy2) -- (B+ Fy+ Gy2)2 / 4] / 2

[2.7b]

Existe ^an modo alternativo de obtener estos resultados resolvienda la ecuacin funcional i nducida por [2.2]. La aplicacin de esta tcnica a diversos tipos de distribuciones puede encontrarse en Arnold, Castillo y Sarabia ( 1992). A continuacin tenemos que elegir los valores de los parmetros tales que [2.3] sea no negativa e integrable. Consideramos dos tipos de modelos, J= 0 y J^O.

Modelo 1: J = 0. Este hecho implica que, necesariamente, G= H= 0. Efectivamente, como condicin necesaria para asegurar la no negatividad de [2.3] para valores grandes de ^ x ^, el coeficiente de x 2 debe ser siempre positivo para todo valor de y, es decir, D+ Hy > 0, lo que implica que H = 0 y D> 0. Notar que el coeficiente de x 2 no puede ser igual a cer. Si ahora nos fijamos en el coeficiente de y 2, obtenemos que G = 0 y E> 0. Por tanto, la funcin de densidad conjunta, caso de que exista, ha de ser de la forma: f(x,y)^(1 +Bx+Cy+Dx2+Ey2+Fxy)-^^+^)^2 [2.8]

que siernpre podemos parametrizar como:

1 a-1 ( x- 1, y- 2)' ^-1 ^ x - > > y - 2)
-((x+ 1)/2

f(x^ Y) ^ 1+

[2.9]

donde a> 1 y^ ha de ser una matriz definida positiva para tener una funcin de densidad genuina. Este modelo corresponde a la distribucin t de Student bidimensional clsica [1.1 ]. Notar que [2.9] es la nica funcin de densidad de la forma [2.8].

Mode/o 2: J^ 0. Comenzamos estudiando la no negatividad de [2.3]. Esta condicin es suficiente con estudiarla respecto a una de las dos variables, puesto que si son no negativas las secciones de f( x, y) para cada x fijo, lo mismo

^iy4

E'STA[)ISTIC`A F;Sf'r^C)I.A

tiene que ocurrir con 1as seccianes para cada y fijo. Si escribimos la parte entre Ilaves como un polinomio de grado dos en y {respec#ivamente en x) cuyos coeficientes dependen de x (respectivamente de y) para asegurar que sea no negativo, el trmino independiente ha de ser no negativo y el discriminante negativo o cero. La primera de las condiciones conduce a tas restricciones:
{A>_0, C2^4AE} v{A>0, B^<4A}

jun#o con la positividad de los polinomios:

4

q(x) = 4(E+ Gx+ Jx2) (A+ Bx+ Dx2) -(C+ Fx+ Hx2)2 = ^[3k Xk > O
k- 0

p(y) - 4(D+ Hy+ Jy2) (A + Gy+ Ey2) -(B+ Fy+ Gy2)2 =^ CXk }/k > 0
k=0

donde los valores de ak , j3k , k= 0, 1, 2, 3, 4 vienen dados por:

a,o=4AD-B2, a. 4 GD+4AH-2BF, 0^2=4 DE+4 GH+4AJ-2BG-F2

a3= 4 CJ+4 EH-2FG, cx4=4 EJ-G2

Ro-4AE-c2, R,

=4AG+4 BE-2CF, J32=4AJ+4 BG+4 DE-2CH-F2 [i3=4 BJ+4 DG--2FH, [i4=4 DJ-H2 [2.1U]

Los polinomios p y q antes definidos no pueden ser igual a cero, puesto que entonces se anularan [2.6]. Notar que estas condiciones aseguran la positividad de los denaminadores de las funciones de densidad marginales [2.7] y de las varianzas condicionadas [^.6]. Ahora, puesto que los numeradores de [2.7] deben ser positivos (nuevamente no es posible que sean cero), se ha de verificar:

{E>0, G2<4EJ}^{D>0, H2<4DJ} y, por tanto, a4 > 0, ^34 > 0. Por otro lado, Ios parmetros ao y [3a no pueden ser igual a cero, puesta que si lo fueran, los polinomios p y q presentarian un cambio de signo. Estas condiciones conducen inmediatamente a que ei parmetro A debe ser estrictamente positivo. Las condiciones de positividad de q y p equivalen a las restricciones sobre los parmetros:
(R^, R2, Q1, ^p } V(oc3, a^, a,1, ao ) E H4

donde H^ viene definido en el Apndice. Notar que H4 es invariante frente a cambios de escala. La integrabilidad de [2.3] requiere el estudio de la integrabili-

I)IS"t'RIHIJC'IUNES Mlll_TIVARIANTES CON UISTRIBUCIONFS C'ON[:)I('1ONAt)AS r[)t-: S"Tl'UE^N^f

3y5

dad de una de las funciones de densidad marginales [2.7] (haciendo uso del teorema de Tonelli}. Puesto que no existe ningn valor que anule los denominadores de [2.7], se trata de estudiar la convergencia de integrales impropias de primera especie. Se verifica que !m y p fy (y ) es finito si y slo si p< a+ 1(al y^^ ser J^ 0) y para que la integral sea convergente (aplicando un conocido criterio de convergencia} se ha de cumplir que p> 1 que conduce a a> 0, que es la condicin de partida. En resumen, en el caso de J^ 0, [2.3] es una funcin de densidad genuina si y slo si oc > 0 y se verifican las siguientes condiciones: {A>0, C2<4AE, E>o, G2<4EJ, H2<4DJ, (R J32, (3, , ^ia ) E H^ } ^

lJ{A>0, B2<4AD, D>0, G2<4EJ, H2<4DJ, ( a3, a2, a^, ao) ^ H4} [2.11]

donde ak , Rk , vienen definidos en [2.10]. En la prctica, puesto que los dos conjuntos que componen [2.11 ] deben de conducir a condiciones equivaientes, basta con chequear uno de los dos.
Ntese que las funciones de densidad marginales no son, en general, distribuciones t de Student. Sin embargo, es fcil obtener funciones de densidad marginales de tipo t sin ms que exigir homocedasticidad. Efectivamente, segn [2.6a], si V( Y/X = x)= 6? constante, entonces X^ t^ (oc ; ^,, T) (para ciertos valores ^,, ^) y, del mismo modo, en la otra direccin. Ntese, sin embargo, que esta situacin no implica que [2.3] sea de la forma [2.9], como ocurre en el caso de la distribucin normal. Segn demuestran Castillo y Galambos ( 1989), normalidad condicional en ambas direcciones y homocedasticidad en una sola direccin caracteriza la distribucin normal bidimensional clsica [ver Bischoff y Fieger (1991) para la extensin de este resultado al caso multidimensional]. La funcin de densidad general obtenida [2.3] incluye como caso particular la distribucin bivariante ms general, cuyas distribuciones condicionadas son de tipo Cauchy al hacer oc = 1, distribucin que ha sido estudiada por Arnold, Castillo y Sarabia {1992). EI propio mecanismo de construccin de estas distribuciones permite concluir que: X - ^( Y)
cs1 ( Y }

; 0, 1) e independiente de Y

[2.12a]

y, anlogamente:
a ^ 0 1 e inde p Y - 2( X) ^ t^() endiente de X

a(x} z

[ 2.12b ]

^^f>

f^.ST.^I[)Iti"11(',> ^:5^'r^l )1..^^

2.1.

Caracterizaciones bidimensionates

EI apartado anterior proporciona la clase de distribuciones bidimensionales cuyas distribuciones condicionadas son t de Student con idntico parmetro de forma. Esta clase contiene camo caso particular la distribucin t de Student bidimensional clsica [1.1 ]. Resulta, por tanto, evidente que esta distribucin no viene caracterizada por el hecho de que las condicionadas unidimensionales sean distribuciones t de Student. EI siguiente teorema permite una caracterizacin simple de esta distribucin, a partir de condiciones sobre Ca media y la varianza condicional.

Teorema 1. Una variable aleatoria (X, Y) sigue una distribucin t de Student bivariada clsica si y slo si todas las distribuciones condicionadas X/ Y= y e Y/ X= x son t de Student con idntico parmetro a(en el sentido [2.1 a] y[2.1 b]} y se verifica una de las siguientes condiciones:
i) ii) E(X / Y= y) o bien E( Y/ X= x } es lineal; V(X / Y= y) o bien V{ Y/ X= x) es una funcin cuadrtica.

Demostracin. Si la variable (X, Y} verifica [2.1 a] y[2.1 b], entonces la fun-

cin de densidad conjunta viene dada por [2.3]. Si E{X / Y= y} [respectivamente, E{ Y/ X= x)] es lineai, por [2.5a] {respectivamente [2.5b]} se ha de verificar G= H= J= 0, que segn hemos visto conduce a la distribucin t de Student clsica. Si V(X / Y= y) o bien V ( Y/ X= x) es una funcin cuadrtica por [2.6aJ o [2.6b], nuevamente ^ = H = J = 0.

3.

RARAMETRIZACIONES DE INTERES

EI excesivo nmero de parmetros de la funcin de densidad [2.3] puede resultar un obstculo para su manejo prctico. Distinguiremos entonces dos parametrizaciones de inters.

3.1.

Modelo estandarizado

Puesto que A> 0, elegimos A= 1. Despus de adecuadas transformaciones de localizacin y escala podemos tomar D= E= 1 y G= H= 0. Llamando B= 2B , C= 2C, se obtiene 1a funcin de densidad conjunta (a > 0}: f(x, y) (1 +2Bx+2Cy+Fxy+x2+y2+Jx2y2}-<<X+2>i2 [3.1]

C^IS"fFt1F3UC`I(^NES MUL"1'1V^1RIA!V^T`E;4 ('(") N [)IS^I'RIHI'^C'It)NF=ti (^ONL)I('IC1tiI1^13^^5 r i)F 5^1^( ^C^^E.N'f

^ ^) 7

donde ahora las restricciones sobre los parmetros son: J>OY{^C^<1,(^3^R2,R^^Ro}E H4}^...^{IBI<1,(a3,a2,a^,ao)E H^} [3.2] Los valores de los al#a y beta en [3.2] estn definidos a partir de las nuevas expresiones de A , . . . , J.

3.2.

Modelo centrado

Supongamos ahora que estamos interesados en la distribucin bivariante con distribuciones condicionadas t, tal que ^ ( y)= 2( x)= o para todo x, y. En estas condiciones, B=^= F= G= H= 0. Ahora, Ilamando b= D/ A, r^ - E 1 A, ^= J/A se obtiene la funcin de densidad (a > 1): f (x, y} {1 + S x2 + r^ y2 + ^ xz y2 ) - ^^x +'^ ^2 [3.3]

donde b, r^ > 0 y cp ? 0. La condicin ^= b r^ garantiza la independencia entre X e Y. Notar que en este tipo de distribuciones el coeficiente de correlacin lineal es siempre cero. Las funciones de densidad marginales vienen dadas por:

fx ( X )^

(^

^ X2 )

1/2

1+ s x 2

a/2

;f Y(y) a

S +

^y) ( ^y}
2 1/2 1^

2 cx/2

3.4 ]

y las varianzas condicionadas {a > 2):

1+x2 1+r^y2 ^ V(X/ Y=Y} = 1 V Y/X= x= 1 ( ) a-2 b+^y2 a-2 ^ +^x2

[3.5]

A partir de las relaciones [2.12a] y[2.12b] es posible obtener relaciones sencillas entre los momentos de las variables X e Y. Si n es un nmero par y a> n se verifica que: E(Xn)-E(V^)E[^^(Y) ^ E(Yn) = E(UCX) E[62 (X)]
an/2 E[X^ (+ ^Y21n/2]

[3.6a] [3.6b] [3.7a] [3.7b]

E (U^ ) E [(1 + xt Y2}^ ^ 2 ^

ani2 E[Yn(^ +^X2}^i2^ = E(Ux) E[(1 +SX2)^izl

hS'T aDIS^T"IC^^a ^^WANC^[.a

E (X^ Ym ) = E (U x ) E [Ymts^ (Y)] = E (Um) E [Xncs2 (X)] donde si n es un nmero par:

B((n+1}/2, (a- n)/2) B(1 /2, t^c/2)

[3.$]

E{U^) = E(t (a;0, 1)) = ocn^2 ` 1

si oc> n

y E( U ) = 0 si n es impar. Mediante las cansideraciones anteriores es ,posible obtener estimadores consistentes para los parmetros S, r^ y^ por el mtodo de los momentos. Usando [3.7a] y[3.7b] con n= 2 y n= 4 se Obtiene que:

b x2 + cp x2 y2 = 1

a-2 1

(1 +^ y2 )

[3.9]

^y2+^X2y2= a-2
^ ^
4+rIY4+^ (x4Y2+x2Y4}= a2

[3.10]

(2+2bx2+2r^y2+2x4+r^2 y^) [3.11]

donde k= E( U } = 3a 2/((a - 2) (a -- 4)), siempre que a> 4, que canduce a un sistema no lineal de tres ecuaciones con tres incgnitas. Notar que la ltima reiacin ha sido obtenida sumando [3.7a] y[3.7b] con n= 4, con objeto de obtener una relacin simetrizada.

4.

EXTENSIONES MULTIVARiANTES

Los rnodelos de distribuciones obtenidas pueden generalizarse al caso n-dimensional. Supongamos X vectar aleatorio n-dimensional y denotamos por .X ^; ) el vector X con la coordenada i-sima borrada. Si suponemos que todas las distribuciones condicionadas unidimensionales de X verifican {i = 1, 2, ..., n):
X^ l X^i) = X{i) ~ ^.li (X(i) ) + 6J (

t^ ) ) U^

[4.1 ]

la funcin de densidad conjunta de X supuesta la existencia es de la forma:

1 n +a ^ss^Xs;
S E ^, n

-{cx+ n) /2

[4.2]

[)IS"t"kINIJC'1ONFS !^11^1.'I IVARIAN"1'E:S C't)1^ [)IS'i'RIBC`C'tt)NFS l'ONt>It'It)tiAt),1S ^[)f.. ti"f f'[)t:N"1

^yy

siendo ^ el conjunto de todos los vectores de componentes 0, 1 y 2 de dimensin n y s^ 0, donde adems los valores de bS se han de elegir de modo que [4.2] sea no negativa e integrable.

4.1.

Car^cterizaciones multiv^ariantes

EI siguiente resultado extiende de modo inmediato el teorema 1 al caso n-dimensional.

Teorema 2. Sea X vector aleatorio n-dirnensional tal que para cada i= 1, 2, ..., n y para cada x(; ^ E l R ^^' se verifica [4.1 ]. Supongamos, adems, que se cumple una de las das condiciones: i) ii) E( X; l X(; ^= x(; })= a; + b; x t; ^
V(X; l X^;^ - x(;^ )= a; + b; x(;^ + c; x2( ^^

[4.3J
[4.4.]

para cada i= 1, 2, ..., n y para cada x(; ^^ l R ^^' . Entonces X sigue una distribucin t de Student n-dimensional clsica.
En un reciente teorema, Arnold, Castillo y Sarabia (1994) prueban cmo la normal n-dimensional clsica viene caracterizada por la normalidad (bidimensional clsica} de todas las distribuciones condicionadas bidimensionales. La similitud de las propiedades condicionales de las distribuciones normal y t de Student n-dimensional permite enunciar un teorema similar, al no estar involucrados los momentos. Denotemos ahora por X(;,i^ el vector X con las coordenadas i, j borradas. Se verifica entonces el siguiente teorema.

Teorema 3. Supongamos que para cada i, j y para cada x^; , ^ ^ E lR ^-2 la distribucin condicional:

(X^ ^ Xi ) l x^%,i^ - X^%,i) ~ t^ (a + n- 2; ^u (_x^;,i^ ) , ^ (Xc%,i^ })

Entonces, X sigue una distribucin t de Student n-dimensianal clsica.

[4.5]

Demostracin. La distribucin t2 (cx; ..^ ,^) clsica tiene distribuciones condicionadas t1 (oc + 1; *, 6* )(notar que es un caso particular de [2.8]). Par tanto, las distribuciones unidimensionales [4.5] son: X;l X^;^ = x(;^ ^ t1 (a + n-- 1 ; * (x^;^ )^ ^* (X(;^ ))

^(N 1

E^^S^^l^,-^[)IS^I`It',A [-aPA!VOLA

A la vista de esto, la distribucin n-dimensional de X es de 1a forma [4.2]. A continuacin, si a una densidad de la forrna [4,2] se le exige que todas las distribuciones condicionadas bidimensionales (X; ,^c'^ )/ X(; , ^ ^ sean de la forma [4.5], entonces todos los coeficientes S^ deben ser cero salvo los correspondientes a una forma cuadrtica del tipo (x -^)' ^(x -^.^}, lo que conduce a la densidad [1.1 ]. La prueba detallada de este ltimo hecho (que, con cambios mnimos, se puede apficar aqu) se halla en el citado artculo de Arnold, Castillo y Sarabia ( 1994).

Apndice En el siguiente apndice se incluyen las condiciones necesarias y suficientes que deben satisfacer los coeficientes de un polinomio de grado cuatro para que ste sea estrictamente positivo para tado valor de la variabie. Estas condiciones se basan en la secuencia de Sturm-Habicht y la demostracin (para polinomios de cualquier grado) se encuentra en Gonzlez-Vega (1993}. Considerernos el polinomio mnico de grado cuatro: P4ta,x}=x4+a3x3+a2x2+a, x+ao Entonces, b x, P4 ( a, x )> 0 si y slo si ao > 0, y a E H4 , donde: H4={aE /R4:S2<O,S^^O,So>0}^{aE IR4:S2=0,S1<_O,So>0}^
^{^E IR4: S2>0, S^ <0, So>0}^{aE 1R4: S2>0, S^ =o}

siendo: S2=3a3-8a2 S^ =2a2 a3-8a2+32a2ao+28a1 a2a3-12a3 ao-6a^ a3-36a? S^=-27a^ -4a^ aj + 18a2a^a3-6a3 aoa1 +144a2aoa?+a2 a3 a^ -4a2 a1 --192a3a a1 +18aoa2a3 a^-80aaa2 a3a1 +256a- 27 a^ a + 144 a2 a3 a - 128 a2 a - 4 a2 a3 ao + 16 a2 ao

I)IS^I^K;BUC'1{)NE-;S M1.11,i'IVAR1^1ti"i`ES CON l:)tti[^RIBI'('1(};^E:S C^UhC)IC.'Ic)tir^l)A^ ![)^^ S"Il l.:)^-:til

5.

REFERENCIAS (1992): Conditiona/ly specified distributions, Lecture Notes in Statistics, vo1. 73, Springer-Verlag, Berlin.

ARNOLD, B. C., CASTILLO, E., y SARABIA, J. M .

(1994): A conditional characterization of the multivariate normal distribution, Statistics and Probability Letters, 19, 313-315.
BISCHOFF, W., y FIEGER ,

W. (1991): Characterization of the multivariate norma! J. (1989}: Conditional distributions and the bivariate

distribution by conditional normal distributions, Metrika, 38, 239-248.

CASTILLO, E., y GALAMBOS ,

normal distribution, Metrika, 36, 209-214. FANG, K. T. ; KoTZ, S., y NG, K. W. (1990) : Symmetric multivariate and related distributions, Monographs on Statistics and Applied Probabiiity, 36, Chapman and Hall, London. GONZLEZ-VEGA, L. (1993) : A combinatorial algorithm solving some quantifier e/imination problems, Publicaciones del Departamento de Matemticas, Estadistica y Computacin, n.4 1 1, Servicio de Publicaciones de la Universidad de Cantabria. JoHNSON, N. L., y KoTZ, S. (1972): Distributions in statistics: continuous multivariate distributions, John Wiley, New York.
LANGE, K. L.; LITTLE, R. J. A., y TAYLOR, J. M. G .

(1989): Robust statistical m0deling using the t dis#ribution, Journal of the American Statistica/ Associa-

tion, 84, 881-896.

PRESS, S. J. (1989): Bayesian statistics, John Wiley, New York.
PRUCHA ,

I. R., y KELEJIAN , H. H. (1984): The structure of simultaneous equation estimators: a generalization towards nonnormal disturbances^>, Econometrica, 52, 721-736.

^;S T AD1S"^1C'^^ E:SPANUI_A

MULTIVARIATE DISTRIBUTIOIyS WITH t-DISTRIBUTIONS cC)NDITIONALS SUMMARY ln this paper one new version of the n-dimensional t distributions is given, following to Arnold, castillo and Sarabia (1992), Some particular bidimensional models are studied. Based on this results, the classical n-dimensional t distribution is characterized. Key INords: classical n-dimensional t distribution, conditional specification, characterization. AMS Classr'fieation: 62 H05, 62 E 10.