Distribuciones Multivariadas
Las distribuciones multivariadas describen el comportamiento probabilístico conjunto de varias variables aleatorias y proporcionan la base sobre la que se construye la inferencia multivariada.
Definition
Una distribución multivariada es una ley de probabilidad para un vector aleatorio que especifica la distribución conjunta de sus componentes, incluyendo su comportamiento marginal y su dependencia.
Scope
Esta área cubre los modelos de probabilidad centrales de la estadística multivariada: la distribución normal multivariada y sus propiedades, la distribución de Wishart que rige las matrices de covarianza muestrales, y los modelos de cópula que separan el comportamiento marginal de la estructura de dependencia. Aborda las distribuciones conjuntas, marginales y condicionales, los momentos y el papel de estas distribuciones en la estimación y la prueba de hipótesis.
Sub-topics
Core questions
- ¿Cómo se especifica y caracteriza el comportamiento conjunto de varias variables aleatorias?
- ¿Qué distribuciones muestrales surgen de datos normales multivariados?
- ¿Cómo se puede modelar la dependencia separadamente de las distribuciones marginales?
- ¿Qué supuestos distribucionales justifican los procedimientos multivariados estándar?
Key theories
- La normal multivariada como fundamento
- La distribución normal multivariada es cerrada bajo transformación lineal, marginalización y condicionamiento, y su vector de medias y matriz de covarianza la especifican completamente, lo que la convierte en el modelo central para la inferencia multivariada.
- Separación de márgenes y dependencia
- Según el teorema de Sklar, cualquier distribución conjunta puede descomponerse en sus distribuciones marginales y una cópula que codifica la dependencia, lo que permite modelar la dependencia independientemente de los márgenes.
Clinical relevance
Las distribuciones multivariadas sustentan los supuestos y la teoría del muestreo de casi todos los métodos multivariados, y los modelos de cópula en particular se utilizan para modelar la dependencia en finanzas, hidrología y análisis de riesgos.
History
La distribución normal multivariada y la distribución muestral de Wishart de las matrices de covarianza se establecieron a principios del siglo XX y se sistematizaron en la teoría clásica del análisis multivariado. La teoría de las cópulas, formalizada a través del teorema de Sklar en 1959, proporcionó posteriormente un marco flexible para el modelado de la dependencia.
Key figures
- T. W. Anderson
- John Wishart
- Abe Sklar
Related topics
Seminal works
- anderson2003
- mardia1979
- muirhead1982
Frequently asked questions
- ¿Por qué la distribución normal multivariada es tan central?
- Surge como una distribución límite a través del comportamiento del límite central multivariado, es matemáticamente tratable y subyace a la teoría del muestreo para medias, covarianzas y muchas estadísticas de prueba en el análisis multivariado.
- ¿Qué añade una cópula más allá de las distribuciones marginales?
- Una cópula captura la estructura de dependencia que vincula las variables, permitiendo que distribuciones marginales arbitrarias se combinen con un patrón de dependencia elegido.