Distribuciones Multivariables

Las distribuciones marginales son las distribuciones unidimensionales que nos

informan del nmero de observaciones para cada valor de una de las variables,
(prescindiendo de la informacin sobre los valores de las dems variables). En
el caso bidimensional hay dos (una para la x y otra para la y), en el caso
multidimensional hay tantas como variables. A partir de la tabla de correlacin
pueden construirse las distribuciones marginales, asignando a cada valor de la
variable considerada su frecuencia marginal. En el caso de dimensin mayor de
dos, y supuestos los datos en forma de base datos matricial, habr que
considerar nicamente una de las variables (una columna) y a partir del listado
de observaciones, se podr construir la tabla de frecuencias de la distribucin
marginal. Las distribuciones marginales son distribuciones de frecuencias
unidimensionales como las ya estudiadas y pueden analizarse de la manera
habitual (media, varianza, asimetra, curtosis, etc.).
Distribucin Unidimensional
Proporcionan informacin acerca del nmero de observaciones para cada valor
de una de las variables. Se pueden analizar utilizando la media varianza,
curtosis, asimetra. Nos permiten analizar el comportamiento de cada una de
las variables de forma aislada.
Distribucin Bidimensional
Se consideran cada variable por separado de forma independiente con
respecto de la otra, calculando la suma de frecuencias de cada variable.
Cuando se obtienen las distribuciones marginales tendremos dos distribuciones
unidimensionales idnticas.
Distribucin Condicional
Es la distribucin de cada una de las variables cuando el valor de la otra
permanece fija. Para cada variable tantas distribuciones condicionales como
valores o clases tenga la otra variable. Una distribucin condicional se designa
indicando la variable a la cual se aplica y el valor o la clase fijados para la otra
variable. Las distribuciones condicionales se leen directamente en las filas y
columnas de la tabla de doble entrada de frecuencias, se obtienen dividiendo
los nmeros de cada fila por la suma total de los nmeros que figuran en esa
fila.
Para n variables

f ( X1 , X2, , Xn)
f 2 (X 1 , X 2 , , X k )

f 2Distribucionmarginal de X 1 X K

Ejemplo:
Tabla de frecuencias absolutas que corresponde a 200 observaciones de una
variable bidimensional. Obtener

1.- Distribuciones marginales de X y Y

2.- Distribucin de X condicionada a que Y = 34

10

16

22

28

34

40

ni.

10

10

10

44

11

12

20

14

10

20

76

14

24

10

10

20

10

80

n.j

44

40

20

26

30

40

200

R1= La ltima fila contienen la distribucin marginal de la variable Y y la ltima

columna contiene la distribucin marginal de X
R2= En la segunda columna se toman los valores de Y que cumplan con tener
el valor = 34, y esto se encuentra en la columna 5
Distribucion Normal Multivariante
Esta distribucin es una generalizacin de la conocida distribucin normal
univariante a dimensiones mayores que 1.
Su importancia se debe a diferentes aspectos:
1.- Permite obtener resultados matemticos fcilmente manejables. Por ello, la
hiptesis de que los datos han sido generados por esta distribucin es base
fundamental para las tcnicas multivalentes.
2.- La distribucin de los estadsticos ms habituales son aproximadamente
normales por el Teorema Central del Lmite.
3.- Si bien, los datos nunca son exactamente normales, la distribucin normal
suele ser una aproximacin til de la verdadera distribucin.
4.- Cuando este no es el caso, se puede intentar transformar los datos de tal
que manera que sean aproximadamente normales.
La distribucin normal multivariante es una generalizacin de la distribucin
normal univariante. I La funcin de densidad de una distribucin normal
univariante de parmetros y

, denotada por N (, ) , es:

( x )
< x <
2 2
1
f ( x) =
exp
2 2

Para definir la funcin de densidad de una distribucin normal multivariante la

idea es partir de la funcin de densidad univariante y substituir las cantidades
univariantes por las respectivas cantidades multivariantes. Es decir:
2

( x )
1
f ( x )=
exp (
)< x <
2
2 2
2
Se convierte en:

( x )2
1 exp
< x j< para j=1, , p
2 2
1
2

f ( x )= ( 2 )

p
2

Donde:
vector con las nmedias ( una por cada dimension )

1 Matriz de covarianza
Que tiene la forma:

Donde la diagonal contiene las varianzas

i j

i 2 y el resto de los trminos

son las covarianzas.

Veamos las propiedades ms importantes de la distribucin normal

multivariante:
1.- Las combinaciones lineales de las componentes de x son tambin normales.
2.-Todos los subconjuntos de las componentes de x tienen una distribucin
normal (multivariante).
3.- Si dos componentes tienen covarianza cero, entonces, son independientes y
viceversa.
4. Las distribuciones condicionales de las componentes son tambin normales
(multivariantes).
Matriz de varianzas-covarianzas:
Dada una variable estadstica n-dimensional (X1,X2,X3,...,Xn), llamaremos
matriz de varianzas-covarianzas (matriz de varianzas) (matriz de covarianzas),
a la matriz cuadrada, n n, que disponga en su diagonal principal de las
varianzas de cada una de las distribuciones marginales unidimensionales, y en

los elementos no-diagonales (i,j) de las correspondientes covarianzas entre

cada dos variables Sij