A Distribuicao Normal Multivariada

Prof. Caio Azevedo

Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Brevssima revisao de calculo de probabilidades
Como usual, denotaremos por uma letra mai uscula, e.g. Y, uma
variavel aleatoria (va) e por uma letra min uscula, y, um valor
observado (realizacao de um experimento aleatorio) desta va.
Um vetor aleatorio (vea) Y = (Y
1
, ..., Y
p
) e uma colecao (arranjo)
de variaveis aleatorias.
As vas que compoem um vea podem apresentar alguma estrutura
de dependencia e/ou serem de diferentes tipos (discretas, contnuas
ou mistas).
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Funcao densidade de probabilidade ou funcao de probabilidade:
f
Y
(y)
Funcao de distribuicao acumulada F
Y
(y) = P(Y
1
y
1
, ..., Y
p
y
p
).
Vetor de medias: = E(Y) =
_

_
E(Y
1
)
E(Y
2
)
.
.
.
E(Y
p
)
_

_
=
_

2
.
.
.

p
_

_
Matriz de covariancias: = Cov(Y) =
_

2
1

12
...
1p

12

2
2
...
2p
.
.
.
.
.
.
.
.
.
.
.
.

1p

2p
...
2
p
_

_
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Funcao geradora de momentos:
M
Y
(t) =
_
_
. . .
_
_
_
_
e
y

t
f
Y
(y)dy
1
_
dy
2
_
. . .
_
dy
p
Funcao caracterstica:

Y
(t) =
_
_
. . .
_
_
_
_
e
i y

t
f
Y
(y)dy
1
_
dy
2
_
. . .
_
dy
p
Sejam A e B matrizes nao aleatorias, entao
E(AY) = AE(Y).
Cov(AY, BX) = ACov(Y, X)B

.
Cov(AY) = ACov(Y)A

.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Distribuicao Normal multivariada
Dizemos que Y = (Y
1
, ..., Y
p
) N
p
(, ) se sua fdp e dada por
f
Y
(y) = ||
1/2
(2)
p/2
exp
_

1
2
(y )

1
(y )
_
11
R
p (y)
e o vetor de medias e e a matriz de covariancias.
M
Y
(t) = exp
_

t +
1
2
t

t
_
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Propiedades
Fechada sob marginalizacao: Y
i
N(
i
,
2
i
).
Y
i
Y
j
, i = j
ij
= 0.
Se A
(qp)
for uma matriz nao aleatoria, entao
V = AY N
q
(A, AA

).
Se A
(pp)
for uma matriz nao aleatoria, simetrica e idempotente de
rank = p, = 0 e =
2
I
(pp)
, entao
V =
1

2
Y

AY
2
r
, r = tr (A). Em particular, se A = I, entao
1

2
Y

Y
2
p
.
Se A
(pp)
for uma matriz nao aleatoria, entao
E(Y

AY) = tr (A) +

A.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Derviadas matriciais uteis
Sejam A
(mn)
e x
(n1)
, entao
Ax
x
= A

A
x
= A
x

x
x
= 2x
x

Ax
x
= (A +A

)x
(1)
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Dem. de que f
Y
(.) e uma fdp
Queremos demonstrar que
I =
_
R
p
f
Y
(y)dy =
_
R
_
R
...
_
R
f
Y
(y)dy = 1
Note que, se =

(decomposicao de Cholesky), temos que:

I =
_
R
p
||
1/2
(2)
p/2
exp
_

1
2
(y )

_
1
(y )
_
dy
=
_
R
p
||
1/2
(2)
p/2
exp
_

1
2
_

1
(y )

()
1
(y )
_
dy
considere a transforma cao z =
1
(y ) y = z +. Assim,
temos que dy =

dz e |J| = |

|.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Alem disso,
|

| = |

|
1/2
|

|
1/2
= ||
1/2
|

|
1/2
= |

|
1/2
= ||
1/2
Assim,
I =
_
R
p
||
1/2
||
1/2
(2)
p/2
exp
_

1
2
z

z
_
dz
=
p

i =1
_
R
1

2
exp
_

1
2
z
2
i
_
dz
i
. .
1
= 1
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Obtencao das Marginais
Note que, para um dado j , M
Y
j
(t
j
) = M
Y
(t

), em que
t

= [0 0... 1
..
posi cao j
...0 0].
Logo, temos que M
Y
j
(t
j
) = exp
_

j
t
j
+

2
j
t
2
_
.
A fgm acima corresponde `a fgm de uma va com distribuicao
N(
j
,
2
j
).
Prof. Caio Azevedo
A Distribuicao Normal Multivariada
Distribuic oes condicionais
Seja Y = (Y
1
, Y
2
), = (
1
,
2
) e
=
_
_

11

12

21

22
_
_
em que
21
=

12
Entao Y
1
|Y
2
= y
2
N(, ), em que
=
1
+
12

1
22
(y
2

2
) ; =
11

12

1
22

21
Estimadores de maxima verossimilhanca (dada uma amostra
aleatoria) = Y =
1
n

n
i =1
Y
i
e

=
1
n

n
i =1
_
Y
i
Y
_

_
Y
i
Y
_
.
Prof. Caio Azevedo
A Distribuicao Normal Multivariada