A Distribuição Normal Multivariada

Prof. Caio Azevedo

Prof. Caio Azevedo

A Distribuição Normal Multivariada
Brevı́ssima revisão de cálculo de probabilidades

Como usual, denotaremos por uma letra maiúscula, e.g. Y , uma

variável aleatória (va) e por uma letra minúscula, y , um valor
observado (realização de um experimento aleatório) desta va.

Um vetor aleatório (vea) Y = (Y1 , ..., Yp ) é uma coleção (arranjo)

de variáveis aleatórias.

As va’s que compõem um vea podem apresentar alguma estrutura

de dependência e/ou serem de diferentes tipos (discretas, contı́nuas
ou mistas).

Prof. Caio Azevedo

A Distribuição Normal Multivariada
 Função densidade de probabilidade ou função de probabilidade:
fY (y)

Função de distribuição acumulada FY (y) = P(Y1 ≤ y1 , ..., Yp ≤ yp ).

   
E(Y1 ) µ1
   
 E(Y2 )   µ2 
   
Vetor de médias: µ = E(Y) =   ..
=
  .. 


 .   . 
  
E(Yp ) µp
 
σ12 σ12 ... σ1p
 
 σ12 σ22 ... σ2p 
 
Matriz de covariâncias: Σ = Cov (Y) =  . 
.. .. .. 

 .. . . . 
 
σ1p σ2p ... σp2

Prof. Caio Azevedo

A Distribuição Normal Multivariada
 Função geradora de momentos:
R  R R y 0 t   
MY (t) = ... e fY (y)dy1 dy2 . . . dyp

Função caracterı́stica:
R  R R iy0 t   
ΦY (t) = ... e fY (y)dy1 dy2 . . . dyp

Sejam A e B matrizes não aleatórias, então

E(AY) = AE(Y).
Cov (AY, BX) = ACov (Y, X)B0 .
Cov (AY) = ACov (Y)A0 .

Prof. Caio Azevedo

A Distribuição Normal Multivariada
Distribuição Normal multivariada

Dizemos que Y = (Y1 , ..., Yp ) ∼ Np (µ, Σ) se sua fdp é dada por

 
1 0
fY (y) = |Σ|−1/2 (2π)−p/2 exp − (y − µ) Σ−1 (y − µ) 11Rp (y)
2

µ é o vetor de médias e Σ é a matriz de covariâncias.

MY (t) = exp µ0 t + 12 t0 Σt


Prof. Caio Azevedo

A Distribuição Normal Multivariada
Propiedades

Fechada sob marginalização: Yi ∼ N(µi , σi2 ).

Yi ⊥Yj , ∀i 6= j ⇔ σij = 0.
Se A(q×p) for uma matriz não aleatória, então
V = AY ∼ Nq (Aµ, AΣA0 ).
Se A(p×p) for uma matriz não aleatória, simétrica e idempotente de
rank = p, µ = 0 e Σ = σ 2 I(p×p) , então
1 0
V = σ 2 Y AY ∼ χ2r , r = tr (A). Em particular, se A = I, então
1 0
σ2 Y Y ∼ χ2p .
Se A(p×p) for uma matriz não aleatória, então
E(Y0 AY) = tr (AΣ) + µ0 Aµ.
Prof. Caio Azevedo
A Distribuição Normal Multivariada
Derviadas matriciais úteis

Sejam A(m×n) e x(n×1) , então

∂Ax
= A0
∂x
∂x0 A
= A
∂x
∂x0 x
= 2x
∂x
∂x0 Ax
= (A + A0 )x
∂x
(1)

Prof. Caio Azevedo

A Distribuição Normal Multivariada
Dem. de que fY (.) é uma fdp

Queremos demonstrar que

Z Z Z Z
I = fY (y)dy = ... fY (y)dy = 1
Rp R R R
0
Note que, se Σ = ΨΨ (decomposição de Cholesky), temos que:

Z  
−1/2 1
−p/2 0 0 −1


I = |Σ| (2π) exp − (y − µ) ΨΨ (y − µ) dy
Rp 2
Z  
−1/2 −p/2 1  −1 0 −1
= |Σ| (2π) exp − Ψ (y − µ) (Ψ) (y − µ) dy
Rp 2
considere a transformação z = Ψ−1 (y − µ) ⇔ y = Ψz + µ. Assim,
temos que dy = Ψ0 dz e |J| = |Ψ0 |.
Prof. Caio Azevedo
A Distribuição Normal Multivariada
 Além disso,

|Ψ0 | = |Ψ0 |1/2 |Ψ0 |1/2 = |Ψ|1/2 |Ψ0 |1/2 = |ΨΨ0 |1/2 = |Σ|1/2

Assim,

Z  
−1/2 1/2 −p/2 1 0
I = |Σ| |Σ| (2π) exp − z z dz
Rp 2
p
YZ  
1 1
= √ exp − zi2 dzi = 1
2π 2
i=1 | R {z }
1

Prof. Caio Azevedo

A Distribuição Normal Multivariada
Obtenção das Marginais

Note que, para um dado j, MYj (tj ) = MY (t∗ ), em que

t∗ = [0 0... 1
|{z} ...0 0].
posição j
σj2 t
n o
Logo, temos que MYj (tj ) = exp µj tj + 2 .

A fgm acima corresponde à fgm de uma va com distribuição

N(µj , σj2 ).

Prof. Caio Azevedo

A Distribuição Normal Multivariada
Distribuições condicionais

Seja Y = (Y1 , Y2 ), µ = (µ1 , µ2 ) e

 
Σ11 Σ12
Σ= 
Σ21 Σ22

em que Σ21 = Σ012

Então Y1 |Y2 = y2 ∼ N(µ, Σ), em que

µ = µ1 + Σ12 Σ−1 −1
22 (y2 − µ2 ) ; Σ = Σ11 − Σ12 Σ22 Σ21

Estimadores de máxima verossimilhança (dada uma amostra

b = 1 Pn Yi − Y 0 Yi − Y .
b = Y = n1 ni=1 Yi e Σ
P


aleatória) µ n i=1

Prof. Caio Azevedo

A Distribuição Normal Multivariada