Your SlideShare is downloading. ×
0
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
2 Semana Analisis Multivariante Parte I
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

2 Semana Analisis Multivariante Parte I

2,348

Published on

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
2,348
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
110
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Universidad del Perú, DECANA DE AMERICA FACULTAD DE CIENCIAS MATEMÁTICAS Mg. María Estela Ponce Aruneri ESCUELA ACADÉMICO PROFESIONAL DE ESTADÍSTICA DEPARTAMENTO ACADÉMICO DE ESTADÍSTICA SEMESTRE 2009-II
  • 2.  
  • 3. ¿Cuál es la distribución de probabilidad conjunta de un vector que sigue una distribución normal p-dimensional? 1º Para el caso univariado se tiene que : 2º Sea
  • 4. 3º Sea el vector aleatorio: Y el vector de constantes:
  • 5. <ul><li>4º Reemplazando 3º en 2º se tiene : </li></ul>El exponente es una forma cuadrática o distancia estadística. 5º ¿A qué es igual k ? Utilizaremos el siguiente corolario: Sí A es simétrica y definida positiva entonces existe una matriz C no singular tal que: C’AC =I
  • 6. <ul><ul><li>Si hacemos : </li></ul></ul>Necesitamos calcular el jacobiano de la transformación , el que es igual al valor del determinante de la matriz C . Luego :
  • 7. Reemplazando en (*) se tiene:
  • 8. Reemplazando el valor de k en 4º se tiene: Es la función de densidad de una distribución normal p-variante . ¿Quién es  ? Sea el vector aleatorio:
  • 9.  
  • 10.  
  • 11. <ul><li>¿A qué es igual A ? </li></ul>Sí i  j
  • 12. Sí i = j
  • 13. Teorema : Si la función de densidad de un vector aleatorio x p-dimensional está dada por: Donde:
  • 14. Recíprocamente para un vector µ y una matriz simétrica definida positiva  , existe una f.d.p., dada por: Tal que:
  • 15. Propiedades de la distribución normal p-variante Teorema Nº 1 Si X  N p ( µ,  ) y y = A X +c donde A kxp y c  k  y  N k ( ?, ?) . Prueba
  • 16. El jacobiano de la transformación es:
  • 17. Resolviendo la forma cuadrática se tiene:
  • 18. Teorema Nº 2 Si X  N p ( µ,  ) y y =  -1/ 2 ( X- µ ) es una transformación de X con  -1/ 2 simétrica y definida positiva  y 1 , y 2 , ……….., y p son v.a.i. N( 0,1) . Prueba Usando las propiedades de transformaciones de vectores aleatorios, así como de esperanza y varianza de una vector aleatorio, se puede probar este teorema.
  • 19. Interpretación geométrica de c 2 <ul><li>La distribución normal p-variada tiene densidad constante sobre elipses o elipsoides de la forma: </li></ul>A estos elipsoides se denominan contornos de la distribución o elipsoides de igual concentración. Estos elipsoides están centrados en µ y la longitud media del i-ésimo eje en dirección  i es igual a c  i 1/2
  • 20. Ejemplo <ul><li>Graficar el elipsoide de igual concentración para la distribución normal bivariada con c=2 y: </li></ul>
  • 21. Distribuciones Marginales Si Es particionada en “q” y “p-q” componentes, con
  • 22. Prueba: De forma similar se puede probar para la otra partición de X 2 .
  • 23. Ejemplo: Encuentre las distribuciones marginales de los vectores.
  • 24. Distribuciones Condicionales Si Es particionada en “q” y “p-q” componentes, con
  • 25. Prueba :
  • 26. Ejemplo: Hallar la distribución condicional de la segunda participación conociendo la primera.
  • 27. CORRELACIÓN MÚLTIPLE <ul><li>La máxima correlación entre x i y la combinación lineal x 2 , es: </li></ul>Se tiene que
  • 28. Ejemplo: Hallar la correlación entre la segunda y primera partición
  • 29. CORRELACIÓN PARCIAL Es la matriz de correlaciones parciales. Ejemplo: calcular e interpretar las correlaciones parciales para los datos del ejercicio anterior,( de X 2 eliminado el efecto de X 1)
  • 30.  
  • 31. OBSERVACIONES 1°Las curvas de equidensidad de una distribución normal multivariante son elipsoides (es decir, transformaciones lineales de hiperesferas) centrados en la media. Las direcciones de los ejes principales de los elipsoides vienen dados por los autovectores de la matriz de covarianza Σ. Las longitudes relativas de los cuadrados de los ejes principales vienen dados por los correspondientes autovalores. 2° Sí un vector aleatorio tiene una distribución normal multivariante, cada uno de los componentes del vector aleatorio tiene distribución normal.
  • 32. 3° Sí un vector aleatorio tiene una distribución normal multivariante, entonces cualesquiera dos o más de sus componentes que sean incorrelacionadas, son independientes.

×