Distribución normal multivariada
En teoría de probabilidad y estadística , la distribución normal multivariante , la distribución gaussiana multivariante o la distribución normal conjunta es una generalización de la distribución normal unidimensional ( univariante ) a dimensiones superiores . Una definición es que se dice que un vector aleatorio tiene una distribución normal k variable si cada combinación lineal de sus k componentes tiene una distribución normal uni variable. Su importancia deriva principalmente del teorema del límite central multivariado. La distribución normal multivariante se usa a menudo para describir, al menos aproximadamente, cualquier conjunto de variables aleatorias de valor real (posiblemente) correlacionadas , cada una de las cuales se agrupa alrededor de un valor medio.
La distribución normal multivariada de un vector aleatorio k -dimensional se puede escribir en la siguiente notación:![{\displaystyle \mathbf {X} =(X_{1},\ldots,X_{k})^{\mathrm {T} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
y matriz de covarianza
tal que La inversa de la matriz de covarianza se denomina matriz de precisión , denotada por .![{\displaystyle 1\leq i,j\leq k.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\boldsymbol {Q}}={\boldsymbol {\Sigma}}^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Un vector aleatorio real se denomina vector aleatorio normal estándar si todos sus componentes son independientes y cada uno es una variable aleatoria distribuida normalmente con varianza unitaria de media cero, es decir, si para todo . [1] : pág. 454 ![{\displaystyle \mathbf {X} =(X_{1},\ldots,X_{k})^{\mathrm {T} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![X_{n}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X_{n}\sim \ {\mathcal {N}}(0,1)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![norte](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
a: Densidad de probabilidad de una función de una sola variable normal con y .
b: Densidad de probabilidad de una función de un vector normal , con media y covarianza .
c: Mapa de calor de la densidad de probabilidad conjunta de dos funciones de un vector normal , con media y covarianza .
d: Densidad de probabilidad de una función de 4 iid variables normales estándar. Estos se calculan mediante el método numérico de trazado de rayos.
[15]![{\ estilo de visualización \ cos x ^ {2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![X](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ estilo de visualización \ mu = -2}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ estilo de visualización \ sigma = 3}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![x^y](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![(x,y)](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ estilo de visualización {\ símbolo de negrita {\ mu}} = (1,2)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {\Sigma } ={\begin{bmatrix}.01&.016\\.016&.04\end{bmatrix}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![(x,y)](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ estilo de visualización {\ símbolo de negrita {\ mu}} = (-2,5)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {\Sigma } ={\begin{bmatrix}10&-7\\-7&10\end{bmatrix}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ estilo de visualización \ suma _ {i = 1} ^ {4} \ vert x_ {i} \ vert}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)