TITULO: Principales Distribuciones de probabilidad multidimensionales: uniforme,

multinomial y normal.

OBJETIVO:

 Identificar los principales métodos de distribución de probabilidad

multidimensional sintetizando información mediante un resumen para poder
aplicar dichos conocimientos en ejercicios prácticos.
 Concluir adecuadamente sobre la información recopilada para obtener una
buena retroalimentación.

RESUMEN:

La distribución de probabilidad de una variable aleatoria es una función que asigna a

cada suceso definido sobre la variable aleatoria, la probabilidad de que dicho suceso
ocurra. La distribución de probabilidad está definida sobre el conjunto de todos los
sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria.

La distribución de probabilidad está completamente especificada por la función de

distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria
sea menor o igual que x.

 Distribución uniforme:

La distribución uniforme continua es una familia de distribuciones de probabilidad para

variables aleatorias continuas, tales que cada miembro de la familia, todos
los intervalos de igual longitud en la distribución en su rango son igualmente
probables. El dominio está definido por dos parámetros, a y b, que son sus valores
mínimo y máximo. La distribución es a menudo escrita en forma abreviada como U(a,
b).

Un vector aleatorio 𝑿 = (𝑋1 , … , 𝑋𝑛 ) tiene distribución uniforme en 𝑆 = [𝑎1 , 𝑏1 ] × ⋯ ×

[𝑎𝑛 , 𝑏𝑛 ] ⊂ 𝑹𝒏 si la función de probabilidad 𝑓(𝑥1 , … , 𝑥𝑛 ) es:

1
𝑛 , 𝑠𝑖 𝑥 ∈ 𝑆;
)
𝑓(𝑥1 , … , 𝑥𝑛 = {∏𝑖=1(𝑏𝑖 − 𝑎𝑖 )
0, 𝑠𝑖 𝑥 ∉ 𝑆.

 Distribución Multinomial:

La distribución multinomial es una generalización de la distribución binomial.

La distribución binomial es la probabilidad de un número de éxitos en N sucesos de
Bernoulli independientes, con la misma probabilidad de éxito en cada suceso. En una
distribución multinomial, el análogo a la distribución de Bernoulli es la distribución
categórica, donde cada suceso concluye en únicamente un resultado de un número
finito K de los posibles, con probabilidades 𝑝1 , … , 𝑝𝑘 (𝑡𝑎𝑙 𝑞𝑢𝑒 𝑝𝑖 ≥
0 𝑝𝑎𝑟𝑎 𝑖 𝑒𝑛𝑡𝑟𝑒 1 𝑦 𝐾 𝑦 ∑𝑘𝑖=1 𝑝𝑖 = 1); y con n sucesos independientes.

Entonces sea la variable aleatoria 𝑥𝑖 , que indica el número de veces que se ha dado el
resultado i sobre los n sucesos. El vector 𝑥 = (𝑥𝑖 , … , 𝑥𝑘 ) sigue una distribución
multinomial con parámetros n y p, donde 𝑝 = (𝑝𝑖 , … , 𝑝𝑘 )

 Distribución Normal Bivariante:

Una distribución normal multivariante, también llamada distribución gaussiana

multivariante, es una generalización de la distribución normal unidimensional a
dimensiones superiores.

Un vector aleatorio 𝑿 = [𝑋1 , … , 𝑋𝑛 ]𝑇 sigue una distribución normal multivariante si

satisface las siguientes condiciones equivalentes:

 Toda combinación lineal 𝑌 = 𝑎1 𝑋1 + ⋯ + 𝑎𝑛 𝑋𝑛 está normalmente distribuida.

 Hay un vector aleatorio 𝒁 = [𝑍1 , … , 𝑍𝑚 ]𝑇 , cuyas componentes son variables

aleatorias independientes distribuidas según la normal estándar, un vector 𝝁 =
[𝜇1 , … , 𝜇𝑛 ]𝑇 y una matriz 𝑛 × 𝑚 𝐴 tal que 𝑿 = 𝐴𝑍 + 𝜇.
 Hay un vector 𝜇 y una matriz semidefinida positiva simétrica ∑ tal que la función
característica de X es

Si ∑ es una matriz no singular, entonces la distribución puede describirse por la

siguiente función de densidad:

Donde |∑| es el determinante de∑. Nótese como la ecuación de arriba se reduce a la

distribución normal si ∑ es un escalar (es decir, una matriz 1x1).
El vector μ en estas circunstancias es la esperanza de X y la matriz ∑ = 𝐴𝐴𝑇 es
la matriz de covarianza de las componentes Xi.

Es importante comprender que la matriz de covarianza puede ser singular (aunque no

esté así descrita por la fórmula de arriba, para la cual ∑−1 está definida).

Este caso aparece con frecuencia en estadística; por ejemplo, en la distribución del
vector de residuos en problemas ordinarios de regresión lineal. Nótese también que
los Xi son en general no independientes; pueden verse como el resultado de aplicar la
transformación lineal A a una colección de variables normales Z.

Esta distribución de un vector aleatorio X que sigue una distribución normal

multivariante puede ser descrita con la siguiente notación:

O hacer explícito que X es n-dimensional,

Propiedades:

 No importa cuáles sean los valores de µ y σ para una distribución de probabilidad

normal, el área total bajo la curva siempre es 1, de manera que podemos pensar
en áreas bajo la curva como si fueran probabilidades. Matemáticamente es verdad
que:
 Aproximadamente el 68% de todos los valores de una población normalmente
distribuida se encuentra dentro de ± 1 desviación estándar de la media.
 Aproximadamente el 95.5% de todos los valores de una población normalmente
distribuida se encuentra dentro de ± 2 desviaciones estándar de la media.
 Aproximadamente el 99.7% de todos los valores de una población normalmente
distribuida se encuentra dentro de ± 3 desviaciones estándar de la media.

BIBLIODGRAFIA:

GALINDO Edwin, ESTADÍSTICA MÉTODOS Y APLICACIONES, edición de octubre

de 2006, Prociencia Editores

http://ocw.uv.es/ciencias-sociales-y-juridicas/estadistica/2t11.pdf