Estadistica Multivariada

Escuela Profesional de Ingeniería Estadística – FIEECS
ESTADÍSTICA MULTIVARIADA–
Prof. Luis Huamanchumo de la Cuba
Muestreo multivariado
MUESTREO MULTIVARIADO
ESTADÍSTICA MULTIVARIADA– Muestreo multivariado
Muestra y Observaciones
Multivariadas f(x1,x2)
x2
x1 x2 x3 … xp
x1
x11 x12 x13 … x1p O1

x21 x22 x23 … x2p O2
X = .
.
.
.
.
.
.
.
(nxp) . . . .
xn1 xn2 xn3 … xnp On

Matriz de Datos con
Distribución Normal ó
Matriz Normal
Dado una muestra aleatoria x1, x2, …,xn de una población

con distribución Np(,). Diremos que X=(x1, x2, …, xn)’ es
una matriz de datos de una distribución Np(,) o
simplemente matriz de datos normal
Teorema 3.3.2 (Mardia p.65)
Si X(nxp) es una matriz de datos normal Np(,) y si Y(mxq)=AXB,
entonces, Y es una matriz de datos normal si y sólo si:
(a) A1 = α 1 para un escalar α, ó B’=0, y

(b) AA’ =  I para un escalar , ó B’B=0
Si se cumplen las condiciones (a) y (b), entonces, Y es una matriz de
datos normal de una población con distribución Nq(αB’ , B’B)
Entendiendo el problema…
Si Y(mxq)= A(mxn)X(nxp)B(pxq), entonces,
Y = [yij]; yij = r,sairxrsbsj
donde los yij se distribuyen como normales univariados.
¿Bajo qué condiciones Y tiene distribución normal si X es normal?
n
A(mxn)X(nxp) = [ij]; ij =aikxkj
1
Y(mxq)= A(mxn)X(nxp)B(pxq)
n
X(nxp)B(pxq) = [ij]; ij =xikbkj

1
n
A(mxn)X(nxp) = [ij]; ij =aikxkj
1
11 12 … 1p b11 b12 … b1q

21 22 … 2p b21 b22 … b2q
…
…
…
…
…
…
m1 m2 … mp bp1 bp2 … bpq
Añade p variables como combinaciones lineales que

podrían introducir algún grado de dependencia en la
relación final AXB
X(nxp)B(pxq) = [ij]; ij =xikbkj

1
1j
2j
…
nj
Añade objetos de la muestra de tamaño n

independientes en X. Por lo tanto, las filas son
independientes (en XB)
) Hipótesis X(nxp)  Np(,)
Y(mxq)=AXB es normal
Tesis (a) A1 = α 1 para un escalar α, ó B’=0, y

Prueba.‐
Por propiedad: vec(Y) = vec(AXB)=(B’A)vec(X) (i)
Como X(nxp) es normal, entonces, vec(X)(npx1) es normal con parámetros:
X1 nx1 µ1 nx1
Media X2 nx1 µ2 nx1
E(vec(X)) = E( ) = = µpx1  1n (ii)
…
Xp nx1 µp nx1
Varianza
De (ii):
var(vec(X)) = E{(vec(X) ‐ µpx1  1n )(vec(X) ‐ µpx1  1n )’} = [ rs ](npxnp)
donde:
ii ; r=s y i=j
rs = E{(xri ‐ µi)(xsj ‐ µj)’} = ij ; r=s y ij

El mismo ensayo u
0 ; rs observación y la
misma variable
“Tener en cuenta que para la misma variable xi (i=1,…n) El mismo ensayo u

dos observaciones (r s ) son independientes por observación y
tratarse de una muestra aleatoria” diferente variable
11 0 12 0 1p 0

…
0 11 0 12 0 1p
21 0 22 0 2p 0
…
0 21 0 22 0 2p
var(vec(X)) =
…
…
…
p1 0 p2 0 pp 0
…
0 p1 0 p2 0 pp
11In 12In … 1pIn

21In 22In … 2pIn
var(vec(X)) = = pxp  In (iii)
…
p1In p2In … ppIn

vec(X)  Nnp(µ1n , In) (iv)
De (i),(ii) y (iii):
E(vec(Y)) = (B’A)E(vec(X)) = (B’A)(µ1n) = (B’µ A1n) (v)
var(vec(Y)) = (B’A)var(vec(X))(BA’) = (B’A)(In)(BA’)
var(vec(Y)) = (B’ B  AA’) (vi)
Por hipótesis Y es normal, por lo tanto, es independiente por filas. Como XB es

independiente por filas la premultiplicación por A (AX) no debería incorporar
ninguna dependencia.
Esto se cumple si A=I  A1 = 1
 AA´ = 2I = I
 Y  Nq(B’µ , B’B)
) Hipótesis X(nxp)  Np(,)

(a) A1 = α 1 para un escalar α, ó B’=0, y
Tesis Y(mxq)=AXB es normal
Prueba.‐
Por hipótesis; dado que X(nxp) es matriz normal, vec(X) es vector normal npx1.
De (i), se concluye que vec(Y) es normal tal que:
 vec(Y)  Nmq(B’µ A1n , B’ B  AA’) (vii)
Por hipótesis y (vii):
 vec(Y)  Nmq(B’µ  α 1 , B’ B   I)
 Y(mxq)  Nm,q(α B’µ ,  B’ B)

Teorema 3.3.3 (Mardia, p.65)
Si X(nxp) es una matriz de datos normal Np(,) y si Y=AXB

y Z=CXD, entonces, los elementos de Y son independientes
de los elementos de Z si y sólo si
(a) B’D=0 ó
(b) AC’=0

Y=AXB y Z=CXD
Y es independiente de Z
Tesis
(a) B’D=0 ó
(b) AC’=0
Prueba.‐
Vectorizando Y y Z se tiene que:
vec(Y) = vec(AXB)=(B’A)vec(X) (i)
vec(Z) = vec(CXD)=(D’C)vec(X) (ii)
 cov(vec(Y),vec(Z)) = cov((B’A)vec(X), (D’C)vec(X)) = 0 por hipótesis
= (B’A)var(vec(X))(D’C)’ = 0
= (B’A)(In)(D’C)’ = 0
= (B’ DAC’) = 0
 B’ D = 0 ó AC’=0

Y=AXB y Z=CXD
(a) B’D=0 ó
(b) AC’=0
Tesis Y es independiente de Z
Prueba.‐
vec(Y) (B’A)vec(X) B’A
W = vec(Z) = = vec(X) = M vec(X)
(D’C)vec(X) D’C
De allí que W tiene distribución normal conjunta dado que vec(X) es normal
var(vec(Y)) cov(vec(Y),vec(Z))
 var(W) =
cov(vec(Z),vec(Y)) var(vec(Z))
B’ B  AA’ B’ DAC’ B’ B  AA’ 0

 por
= =
D’ BC’A B’ B  AA’ 0 D’ D  CC’ hipótesis
 vec(Y) y vec(Z) son independientes  Y y Z son independientes

Estadistica Multivariada

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Estadistica Multivariada

Hochgeladen von

Copyright:

Verfügbare Formate

Escuela Profesional de Ingeniería Estadística – FIEECS

x11 x12 x13 … x1p O1

xn1 xn2 xn3 … xnp On

Dado una muestra aleatoria x1, x2, …,xn de una población

(a) A1 = α 1 para un escalar α, ó B’=0, y

X(nxp)B(pxq) = [ij]; ij =xikbkj

11 12 … 1p b11 b12 … b1q

Añade p variables como combinaciones lineales que

X(nxp)B(pxq) = [ij]; ij =xikbkj

Añade objetos de la muestra de tamaño n

) Hipótesis X(nxp)  Np(,)

Tesis (a) A1 = α 1 para un escalar α, ó B’=0, y

Como X(nxp) es normal, entonces, vec(X)(npx1) es normal con parámetros:

rs = E{(xri ‐ µi)(xsj ‐ µj)’} = ij ; r=s y ij

“Tener en cuenta que para la misma variable xi (i=1,…n) El mismo ensayo u

11 0 12 0 1p 0

11In 12In … 1pIn

p1In p2In … ppIn

vec(X)  Nnp(µ1n , In) (iv)

var(vec(Y)) = (B’ B  AA’) (vi)

Por hipótesis Y es normal, por lo tanto, es independiente por filas. Como XB es

) Hipótesis X(nxp)  Np(,)

Tesis Y(mxq)=AXB es normal

 vec(Y)  Nmq(B’µ A1n , B’ B  AA’) (vii)

 vec(Y)  Nmq(B’µ  α 1 , B’ B   I)

 Y(mxq)  Nm,q(α B’µ ,  B’ B)

Si X(nxp) es una matriz de datos normal Np(,) y si Y=AXB

) Hipótesis X(nxp)  Np(,)

) Hipótesis X(nxp)  Np(,)

B’ B  AA’ B’ DAC’ B’ B  AA’ 0

 vec(Y) y vec(Z) son independientes  Y y Z son independientes

Das könnte Ihnen auch gefallen