Professional Documents
Culture Documents
1.
Captulo 2
Principales distribuciones
n-dimensionales
2.1.
Introduccin
1).
Usaremos notacin matricial para el caso general. Es una herramienta potente que permite expresiones y demostraciones sencillas; por ejemplo, la funcin de densidad tiene una
expresin muy parecida a la del caso unidimensional, pero sustituyendo algunos elemen1
tos numricos por vectores y matrices. Podramos prescindir del apartado 2.3 (excepto lo
referido a distribuciones condicionadas), donde se estudia el caso n = 2, puesto que lo all
estudiado se puede obtener como caso particular de lo estudiado en el apartado 2.4. Sin
embargo, conviene explicar este caso utilizando tambin la notacin extendida, que es la
que hemos utilizado para todas las distribuciones bidimensionales que hemos considerado,
escribiendo por ejemplo la funcin de densidad como f (x; y) en vez de f (z), con z = (x; y).
2.2.
2.2.1.
Distribucin multinomial
Introduccin: la distribucin binomial
Consideremos un experimento aleatorio compuesto consistente en n repeticiones independientes de un experimento aleatorio bsico. Por ejemplo, se lanza n = 15 veces una
moneda o, se conectan, en funcionamiento continuo hasta que se estropean, n = 10 resistencias elctricas producidas por una mquina.
Consideremos un suceso A referido al experimento aleatorio bsico. Por ejemplo, obtener cara, en el lanzamiento de moneda, o, durar ms de 400 horas, en el ejemplo de la
conexin hasta el fallo de las resistencias.
Las v.a. nmero de caras, en el primer ejemplo, y nmero de resistencias que duran
ms de 400 horas, en el segundo ejemplo, tienen distribucin binomial B (n; p), siendo n
el nmero de repeticiones y p = P (A). La funcin de masa de X
P fX = xg =
n x
p (1
x
p)n
si x = 0; : : : ; n .
(2.1)
En el primer ejemplo hay solo dos resultados posibles, cara y cruz. El suceso A es
obtener cara. En el segundo ejemplo, el suceso A es durar ms de 400 horas. Aunque
podemos observar el valor exacto de la duracin, solo estamos interesados aqu en si ha
ocurrido A o no. De esta forma, clasicamos los resultados en dos clases, A y Ac , y llegamos
as a una situacin anloga a la del primer ejemplo, con solo dos resultados posibles.
Estas clases son exhaustivas (cubren todos los casos posibles), y mutuamente excluyentes (ningun caso est en ms de una clase a la vez). Utilizando terminologa de
2
probabilidad decimos que las clases son sucesos incompatibles cuya unin es el suceso seguro, y si utilizamos terminologa de teora de conjuntos decimos que las clases son una
particin del espacio muestral.
La v.a. que consideramos, X, es el nmero de veces que ocurre A, o dicho de otro modo,
el recuento del nmero de observaciones en la clase A. Obsrvese que si se obtiene X = x,
entonces el nmero de observaciones en la clase Ac es n
Consideramos ahora k
x.
2.2.2.
La distribucin multinomial
Una v.a. k-dimensional X = (X1 ; : : : ; Xk ) tiene distribucin multinomial con parmetros n, natural, y p1 ; : : :; pk
0 con p1 +
X
+ pk = 1 , y se denota por
mult(n; p1 ; : : : ; pk ) ,
(2.2)
n!
n1 !
nk !
pn1 1
pnk k
(2.3)
+ nk = n.
(2.4)
+ Xk = n.
0 con p1 +
+ pk = 1. Se
mult(n; p1 ; : : : ; pk ).
Ejemplo 1. Consideremos una urna U (3b; 5n; 2r), esto es, con tres bolas blancas, cinco
negras y dos rojas. Se extraen siete bolas al azar con reemplazamiento.
a) Calcula la probabilidad de que dos sean blancas, cuatro negras y la otra roja.
b) Calcula la probabilidad de que tres sean blancas, dos negras y dos rojas.
3
7! 0 2 0 4 0 1
0 3 0 5 0 2 = 00 118 .
2!4!1!
(2.5)
7! 0 3 0 2 0 2
0 3 0 5 0 2 = 00 0567 .
3!2!2!
(2.6)
Puesto que X1 +
+ Xk = n se tiene que
Xk = n
X1
Xk
(2.7)
1)
en vez de (X1 ; : : : ; Xk ).
Esta expresin abreviada no supone prdida de informacin, puesto que podemos recuperar
Xk mediante (2.7). Se suele escribir
(X1 ; : : : ; Xk
con parmetros p1 ; : : : ; pk
k
1)
mult (n; p1 ; : : : ; pk
0 y p1 +
+ pk
pk = 1
p1
pk
1,
1)
(2.8)
1.
B(n; p) y T
T.
n z
p (1
z
p)n
n!
pz (1
z! (n z)!
p)n
(2.9)
Puesto que el parmetro p en mult (n; p) es un nico valor numrico p < 1, entonces se est
utilizando la expresin dada en (2.8) con k = 2 clases. El vector (X1 ; : : : ; Xk
1)
en (2.8)
X1 )
P fT = zg = P fX1 = zg = P fX1 = z; X2 = n
=
n!
pz (1
z! (n z)!
p)n
zg =
n!
pz pn
z! (n z)! 1 2
(2.10)
= P fZ = zg
(2.11)
T.
La frmula de Leibnitz
(a1 +
+ ak )n =
n1 ;:::;nk
n!
n1 !
nk !
ank k ,
an1 1
0 enteros con n1 +
(2.12)
+ nk = n,
1)
(expre-
1)
1 ),
que es
= (p1 eit1 +
1)
+ pk
= E[ei(t1 X1 +
itk
1e
+tk
+ pk )n
1 Xk 1 )
(2.13)
Ejemplo 3. Consideremos una urna U (1b; 2v; 3a; 4r), esto es, con una bola blanca, dos
verdes, tres azules y cuatro rojas. Se extraen n bolas al azar con reemplazamiento. Sean
X1 , X2 y X3 el nmero de bolas blancas, verdes y azules (el de rojas es n
Se tiene que (X1 ; X2 ; X3 )
X1
X2
X3 ).
sin en forma abreviada, puesto que no hemos incluido el nmero de rojas, X4 , lo que se
traduce en que 00 1 + 00 2 + 00 3 < 1.
mult (n; 00 1) (que es la B (n; 00 1)), X2
mult (n; 00 3) ,
(X2 ; X3 )
(X1 ; X2 )
mult (n; 00 1; 00 2) ,
(X1 ; X3 )
mult (n; 00 1; 00 3)
mult (n; 00 2; 00 3) .
Se tiene que Xj
V [Xj ] = npj (1
pj ) .
mult (n; pj ; pl ),
y su f.c. es
'j;l (tj ; tl ) = (pj eitj + pl eitl + 1
pl )n .
pj
(2.14)
Por tanto
E [Xj Xl ] =
1 d2 'j;l (tj ; tl )
i2
dtj dtl
= n(n
1)pj pl ,
(2.15)
tj ;tl =0
y entonces
Cov(Xj ; Xl ) = E [Xj Xl ]
E [Xj ] E [Xl ] =
npj pl para j 6= l.
(2.16)
(1
pi pj
pi )(1
pj )
para i 6= j.
(2.17)
Ejemplo 4. Consideremos una urna U (3b; 5n; 2r). Se extraen siete bolas al azar con reemplazamiento.
a) Calcula la probabilidad de que dos sean blancas, cuatro negras y la otra roja.
6
B(7; 00 3)
B(7; 00 5).
a) Es el ejemplo 1a. Se vuelve a resolver ahora para poder apreciar cmo se expresa el
P fX = 2; Y = 4g =
00 5)7
2 4
(2.18)
(2.19)
7!
00 32 (1
2!(7 2)!
00 3)7
= 00 318 .
(2.20)
c) Se obtiene
7! 0 2 0 3 0 2
03 05 02
P fX = 2; Y = 3g
P fX = 2=Y = 3g =
= 2!3!2!
= 00 346 .
7! 0 3 0 4
P fY = 3g
05 05
3!4!
(2.21)
d) Se tiene que
E[X] = 7 00 3 = 20 1 y V [X] = 7 00 3 (1
e) Puesto que (X; Y )
00 3) = 10 47 .
(2.22)
Cov(X; Y ) =
(X; Y ) =
7 00 3 00 5 = 10 05 , y
s
00 3 00 5
=
(1 00 3)(1 00 5)
(2.23)
00 655 .
(2.24)
Ejemplo 5. Una mquina produce tornillos cuya longitud se distribuye segn una N ( ; ),
con
= 20 5 y
20 45 mm, es aceptado como bueno si mide entre 20 45 y 20 55 mm, y es rechazado por grande
si mide mas de 20 55 mm. Para un lote de 100 tornillos, determina:
a) Probabilidad de que 2 tornillos sean pequeos, 95 buenos, y 3 grandes.
b) Probabilidad de que 95 sean buenos, y el resto sean rechazados.
c) Probabilidad de que 2 sean pequeos sabiendo que 3 son grandes.
d) Determina el nmero esperado de tornillos buenos y la desviacin tpica.
e) Determina la covarianza y el coeciente de correlacin entre el nmero de tornillos
pequeos y grandes.
Solucin: Tenemos k = 3 clases, correspondientes a tornillos pequeos, buenos y
grandes. En primer lugar, calculamos las probabilidades de las clases:
p1 = P N ( ; ) < 20 45 = P
= P N (0; 1) <
N (0; 1) <
20 45
p3 = P N ( ; ) > 20 55 = P
N (0; 1) >
20 55
(2.25)
(2.26)
(2.27)
(2.28)
p3 = 00 988 .
(2.29)
p2 = 1
p1
mult (100; p1 ; p2 ; p3 ).
a) Se tiene que
P fX = 2; Y = 95; Z = 3g =
b) Se tiene que Y
(2.30)
B (100; p2 ), y entonces
P fY = 95g =
c) Se tiene que Z
100! 2 95 3
p p p = 00 00221 .
2!95!3! 1 2 3
100 95
p (1
95 2
p2 )100
95
= 00 00595 .
(2.31)
B (100; p3 ), y entonces
100! 2 100 2 3 3
p1 p2
p3
P fX = 2; Z = 3g
P fX = 2=Z = 3g =
= 2!95!3!
= 00 104 .
100! 3
P fZ = 3g
100 97
p (1 p3 )
3!97! 3
8
(2.32)
V [Y ] = V [B (100; p2 )] = 100 p2 (1
y por tanto
(2.33)
(2.34)
p
V [Y ] = 10 09.
Cov(X; Y ) =
(X; Y ) =
100p1 p3 = 00 00386 , y
r
p1 p3
= 00 00625 .
(1 p1 )(1 p3 )
(2.35)
(2.36)
P fY = y=X = xg =
(2.37)
p2 )n
p1
x y
.
p1
(2.38)
)n x
0,
x.
x
y
p2
1 p1
9
p1
1
x y
(2.39)
y
p2
p1
n x y
(2.40)
x; 1 p2p1
B n
=y
x;
B n
si y = 0; 1; : : : ; n
p2
p1
x. Por tanto
(2.41)
y; 1 p1p2
o
= 2 = P B 4; 35 = 2
3; 1 p1p2
4!
=
2!(4 2)!
3
5
3
5
(2.42)
4 2
= 00 346 .
(2.43)
E [Xj Xl ] = E [Y Z] =
=0+
y;z 1, y+z n
y;z 1, y+z n
= pj pl
(2.44)
yz P fY = y; Z = zg
(2.45)
y;z 1, y+z n
yz P fY = y; Z = zg
n!
y!z! (n
y;z 1, y+z n
(y
y
1)! (z
z)!
pyj pzl (1
n!
1)! (n
pj
z)!
(2.46)
pl )n
pyj
y z
1 z 1
pl (1
(2.47)
pj
pl )n
y z
1 (y por tanto, y = y 0 + 1) y z 0 = z
10
1 se
obtiene
E [Xj Xl ] = pj pl n (n
1)
(n
y 0 ;z 0 0, y 0 +z 0 n 2
= n (n
y 0 !z 0 ! (n
1) pj pl
2)!
2 y0
0
0
pyj pzl
0
z )!
(1
pl )n
pj
2; pj ; pl ) = y 0 ; z 0
P mult (n
2 y0 z0
(2.48)
y 0 ;z 0 0, y 0 +z 0 n 2
= n (n
1) pj pl .
b) Se tiene que Y
(2.49)
=
=
=
pl
1
pj
1
1
pj
n npj
npl
(npj (1
1 pj
= n (n
2.3.
n npj
pj
pl
Y2 =
E nY
pl
B n
y; 1 plpj
y entonces E [Z=Y = y] = (n
pj ). Recurdese
pl
1
(npj (1
(pj (1
pj ))
pj )
(pj (1
pl
1
pj
E Y2
nE [Y ]
pj
Y)
(2.50)
(2.51)
pj )) + (npj )2
(2.52)
np2j
(2.53)
pj ))) =
npl
(n
1 pj
1) pj (1
pj )
1) pj pl .
(2.54)
(2.55)
Una v.a. bidimensional (X; Y ) tiene distribucin normal bidimensional con parmetros
1;
2;
1;
y , denotado por
(X; Y )
N(
1;
2;
1;
2;
) ,
(2.56)
Q(x; y) =
1 2
1
p
1
1
1
"
1
1
11
1 < x; y < 1 ,
2
2
2
2
(2.57)
,
(2.58)
1;
reales,
1;
> 0 y j j < 1.
1;
2;
1;
2;
N(
1;
1)
N(
2;
2)
x;
(Y =X = x)
(X=Y = y)
y;
(2.59)
,
p
(2.60)
2
con
(x
1)
,y
(2.61)
(y
2)
(2.62)
1
2
con
1,
2,
1,
1,
2,
son las
2+
(x
1)
= (1
)Q(x; y)
"
2
(1
) Q(x; y)
x
1
12
1
2
(2.63)
1
2
= (1
(2.64)
1
#
2
(2.65)
,
(2.66)
se obtiene
Q(x; y) =
2) 2
2
(1
1 2
(x
1)
1
p
(2.67)
p
1
obtenemos
(2.68)
x
exp
1
2) 2
2
2(1
(x
1)
de un modo sencillo.
R
R
Se tiene que g(x)dx = 1 y hx (y)dy = 1, puesto que g(x) y hx (y) son funciones de
1
1
f (x; y)dydx =
1
1
1
1
g(x)hx (y)dydx
Z 1
Z
g(x)
hx (y)dy dx =
1
(2.69)
1
g(x)dx = 1 ,
(2.70)
hx (y)dy = g(x) ,
(2.71)
f (x; y)dy =
N(
1;
1 ).
1
1
Adems,
f (x; y)
g(x)hx (y)
=
= hx (y) ,
f1 (x)
f1 (x)
p
2 .
x; 2 1
f (y=x) =
y por tanto (Y =X = x)
(2.72)
N(
1;
1)
eY
N(
2;
2)
se tiene que EX =
1,
V [X] =
2
1,
EY =
2,
2
2.
el coe-
+c
(X
1)
=E
X]
2X
(2.73)
2
+c
2E
[X] + c
E X2
1X
2E
[X] + c
2E
[X] + c
(X
1) X
(2.74)
E X2
1E
[X]
(2.75)
V [X] + E [X]2
1E
[X]
1 2
+c
(2.76)
2 1
+c
2
1
2
1
2 1
(2.77)
y de aqu se obtiene
Cov (X; Y ) = E [XY ]
=
E [X] E [Y ] =
Cov (X; Y )
1 2
+c
2 1
1 2
=c
2 1
,y
=c,
(2.78)
(2.79)
1 2
condicionadas.
Solucin: Por (2.59) y (2.60), las distribuciones marginales son X
Y
N (3; 4) e
N ( 1; 6).
Se tiene que
16
2 4 (x
3) =
3
4x
5
4
(2.61),
(Y =X = x)
3
4x
p
+ 54 ; 3 3
p
= 3 3 , y entonces, por
.
N
(2.80)
1
3y
p
+ 83 ; 2 3 .
7g.
Solucin:
a) Se tiene que X
27
2
N (0; 1) .
(2.81)
De aqu se obtiene
P fX > 30g = P
27
2
>
30
27
2
= P N (0; 1) > 10 5
(2.82)
y=15
= 320 4 y
X 320 4
00 8718
= 00 8718 , y entonces
= Y = 15
N (0; 1) y
X 320 4
30 320 4
> 0
0
0 8718
0 8718
= P N (0; 1) >
=1
c) Se tiene que P fX > 3Y
Y = 15
(2.83)
20 75 = P N (0; 1) < 20 75
P N (0; 1) > 20 75 = 1
00 00298 = 00 99702 .
(2.84)
(2.85)
3Y + 7. Por el ejercicio
3Y + 7] = EX
V Z = V [X
= 22 + 9 12
3EY + 7 =
6 00 9 2 1 = 20 2 .
15
2,y
(2.86)
(2.87)
(2.88)
Por tanto Z
p
2; 20 2 . De aqu se obtiene
P fX > 3Y
( 2)
0 ( 2)
> p
0
22
20 2
o
n
p
= P N (0; 1) > 2= 20 2 = P N (0; 1) > 10 35
7g = P fZ > 0g = P
N(
+u
1;
1
2
2)
2;
2 2
1t
(2.89)
.
(2.90)
7g = 00 0885 .
1;
2;
) es
1
2
2 2
2u
1 2 tu
(2.91)
N(
1;
2;
2 ; 0).
2.4.
5
3
Tngase en cuenta que el producto escalar de dos vectores se puede expresar como un
producto de matrices, considerando los vectores como matrices (con una sola la o una sola
columna): los vectores columna u = (u1 ; : : : ; un )0 y v = (v1 ; : : : ; vn )0 son matrices n
16
1,
y el producto de matrices u0 v = v0 u =
Pn
i=1 ui vi
es una matriz 1
1, un nmero, que es
= (
1; : : : ;
0
n)
2 Rn y
una matriz n
v.a. X = (X1 ; : : : ; Xn )0 (conviene expresarla as, como vector columna) tiene distribucin
normal n-dimensional, multidimensional, o multivariante, con parmetros
y , denotado
por
X
N( ; ) ,
(2.92)
1
(x
2
)0
(x
(2.93)
si x = (x1 ; : : : ; xn )0 2 Rn .
El hecho de que
invertible, y que (x
)0
1 (x
(2.94)
es no singular, y por tanto
) > 0 para x 6= .
son
1
2
exp
1
(x
2
)2
si x = x1 2 R.
(2.95)
2,
es la varianza.
, lo
que nos obliga a dar estas explicaciones, porque es la que se utiliza habitualmente en las
aplicaciones a la estadstica.
17
1;
2;
1;
2;
), estudiada
(2.96). Con ello, se comprueba que la normal del apartado 2.3 es justamente una normal
n-dimensional con n = 2, y por ello es correcto llamarla normal bidimensional como hemos
hecho.
Ejercicio 12. Comprueba que la distribucin N ( ; ), con
1
0
0
es la misma que la N (
B
=@
1
2
C
A
1;
1;
2;
2;
2
1
B
=@
1 2
2
2
1 2
C
A ,
(2.96)
).
= (x1 ; x2 )0
1;
0
2)
= (x1
0
2)
1 ; x2
queramos). Se obtiene
j j = (1
2 2
1 2
)0
1 B
@
j j
1 (x
2
2
1 2
1 2
2
1
C
A .
(2.97)
1
p
exp
(2 )2 j j
)0
(x
1 2
1
p
1,
2,
1,
y , son los dados en (2.96). Por tanto, otra consecuencia del resultado
N ( ; ) es
para t = (t1 ; : : : ; tn ) 2 Rn .
t0
1
2t
(2.98)
N ( ; ), con X = (X1 ; : : : ; Xn )0 .
(2.99)
es diagonal.
d) Transformaciones lineales con rango mximo son normales. Para k
una matriz k
1, b. Se tiene que
N A + b; A A0
AX + b
n consideremos
(2.100)
AX + b.
Demostracin:
a) En la proposicin 8 se demuestra para n = 2. No hacemos la demostracin general.
c) Ya sabemos que si son independientes son incorreladas.
Supongamos ahora que
n
X
1
2
i)
(2.101)
(x
(x
)=
i=1
X1 ; : : : ; Xn son independientes: ( p
f (x1 ; : : : ; xn ) = p
=p
1
(2 )2 j j
(2
1
(2
)2 j
(xi
es una constante)
1
)2 j
2
i
exp
n
Y
j i=1
exp
19
1
(x
2
1
2
i
)0
(xi
2
i)
(x
.
(2.102)
(2.103)
t0 , la f.c. de
h
i
h
i
h
i
'Y (t) = E eitY = E eit(AX+b) = eitb E ei(tA)X) = eitb 'X (tA)
(2.104)
Y = AX + b es
1
(tA) (tA)0
2
1
tA A0 t0
2
1
t(A A0 )t0 ,
2
(2.106)
(2.107)
(2.105)
N (A + b; A A0 ).
b). Es sencillo
. Por
(y
b))abs( A
1
p
exp
abs(jAj) (2 )n j j
1
=p
exp
n
(2 ) jAj j j jA0 j
)=
1
A
2
=p
=p
1
(2
)n jA
A0 j
(2
)n jA
A0 j
(2.108)
1
A
2
(y
(y
b)
(A + b))
(y
1
(2.109)
b)
(y
(A + b))
(2.110)
exp
1
(y
2
(A + b))0 A0
exp
1
(y
2
(A + b))0 A A0
A
1
(y
(y
(A + b))
(A + b))
(2.111)
.
(2.112)
jA0 j
= jAj
tiva.
20
jAj2 =
1 0
= (A0 )
- En (2.112): propiedad asociativa del producto; la inversa del producto coincide con el
producto de inversas, pero en orden inverso.
Se observa en la expresin (2.112) que g(y) es la funcin de densidad de una distribucin
N (A + b; A A0 ), y por tanto Y = AX + b
N (A + b; A A0 ).
X1
(2.113)
y V [X1 ] = A A0 =
2
1.
Para n = 1
N(
1;
1) .
(2.114)
1
B 1 0 0
A=@
0 1 0
0 C
A .
0
B X1 C
@
A
X2
0
2) ; A
1;
00
BB
N @@
1
2
1 0
C B
A;@
A0 = (
ij )i;j=1;2 ,
2
1
Cov (X1 ; X2 )
21
(2.115)
N (A ; A A0 ). Realizando los
y de aqu
11
Cov(X1 ; X2 ) CC
AA .
2
2
(2.116)
(X1 ;X2 ) 1 2 .
. La transformacin no es nica.
N (0; I),
con
0
B
A=@
p1
1
1
1
C
A
b=
B
A =@
2= 2
1= 1
2
1
2
2
C
A .
(2.117)
X= Y + ,y0
para n = 2 la transformacin
(una de ellas) est dada por X = BY + ,
1
p
2
1 C
B 1 1
con B = A 1 = @
A, siendo A la matriz en (2.117).
0
2
N (3; 1; 1; 2; 00 5). Determina la distribucin de (Y1 ; Y2 ), con
3X2 + 1 y Y2 = X1 + 2X2 .
Solucin: Sean
0
B X1 C
B 3
X=@
A , =@
1
X2
1
0
0
B Y1 C
B 2
Y =@
A ,A=@
Y2
1
B 1 1 C
=@
A ,
1 4
1
0 1
3 C
B 1 C
A y b=@ A .
2
0
C
A ,
o, lo que es lo mismo, Y
(2.118)
(2.119)
N ( ; ) e Y = AX + b. Por la
p
p p
N 10; 1; 28; 21;
3=2 .
22
2 C
C
0 C
C ,
A
9
(2.121)
Y1 =
X2 + 4X3
(X2 ; X3 )?.
0
1
1
0
0
B
C
Solucin: Se tiene que (X1 ; X3 )0 = AX, con A = @
A. Por tanto,
0 0 1
0
B X1 C
@
A
X3
00
BB 0 C B 1
N A ; A A0 = N @@ A ; @
3
2
0
B
Se tiene que Y = AX + b, con A = @
Y
1 0
3
3
00
BB
N A + b; A A0 = N @@
11
2 CC
AA
9
(2.122)
1
0
1
0 C
1
B
C
A y b=@
A , y entonces
1 4
3
1 0
11
3 C B 13 16 CC
A;@
AA .
11
16 103
2 6= 0, se tiene que
(X1 ;X3 )
(2.123)
6= 0, y entonces, por la
proposicin 11, se tiene que (X1 ; X3 ) no son independientes. Puesto que Cov (X2 ; X3 ) = 0,
se tiene que
(X2 ;X3 )
independientes.
En la proposicin 13d se exige que la transformacin lineal tenga rango mximo, igual
a k. sto determina que Y = AX + b es una v.a. continua, esto es, que tiene funcin de
densidad, la de la N (A + b; A A0 ) (denicin en 2.92, 2.93 y 2.94).
En caso contrario, la matriz de covarianzas A A0 de la transformada es singular, y
no tiene inversa. Entonces, la funcin de densidad normal dada en 2.93 y 2.94 no esta
denida. La v.a. Y no es discreta ni continua, ni una mixtura de ambos tipos, sino que
23
tiene una distribucin singular, aunque de un tipo muy sencillo. Su soporte es el subespacio
(hiperplano) de Rk
T = fAx + b : x 2 Rn g .
(2.124)
B 2 6 C
Consideremos por ejemplo, n; k = 2, A = @
A , con rango rg(A) = 1 < 2, y
1 3
(2.125)
(2.126)
(2.127)
Existen generalizaciones de la nocin de inversa de una matriz que permiten denir una
normal con matriz de covarianzas singular. Esta nocin permite manejar la situacin que
acabamos de describir, con rg(A) < k, de una manera cmoda. De una manera ms simple
y directa que la que acabamos de considerar, sin necesidad de introducir la aplicacin h.
No la estudiamos.
24