D.
Multivariantes
Distribución Multivariada
M LA DISTRIBUCIÓN MULTINOMIAL
u Generalización de la distribución Binomial
l Se dispone de 𝐺 clases
t 𝒑 = (𝑝1 , 𝑝2 , … , 𝑝𝐺 )′, vector de probabilidades de pertenencia a las clases,
i 𝑝𝑖 = 1.
v
a Se define las 𝐺 variables aleatorias:
r 𝑥𝑗 =
1, 𝑠𝑖 𝑙𝑎 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛 𝑝𝑒𝑟𝑡𝑒𝑛𝑒𝑐𝑒 𝑎𝑙 𝑔𝑟𝑢𝑝𝑜 𝑗
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
i
𝑗 = 1, . . . , 𝐺
a
y el resultado de una observación es un valor del vector de
n
𝐺 − variables 𝒙 = (𝑥1 , 𝑥2 , … , 𝑥𝐺 )′ , de la forma 𝒙 = (0, . . . , 1, . . . 0)′ ,
t solamente una de las 𝐺 componentes puede tomar el valor uno, el
e asociado a la clase observada para ese elemento.
s
D. Multivariantes
Distribución Multivariada
M LA DISTRIBUCIÓN MULTINOMIAL
u los componentes de esta variable aleatoria no son independientes,
l
𝐺
t 𝑥𝑗 = 1
i 𝑗=1
v Para describir el resultado de la observación bastaría con definir 𝐺 − 1
a variables, como se hace en la distribución binomial donde sólo se define
r una variable cuando hay dos clases, ya que el valor de la última variable
i queda fijada al conocer las restantes.
Sin embargo, con más de dos clases es costumbre trabajar con las 𝐺
a
variables y la distribución de la variable multivariante así definida se
n
denomina multinomial puntual.
t
e
s
D. Multivariantes
Distribución Multivariada
M LA DISTRIBUCIÓN MULTINOMIAL
u .Tiene como función de probabilidades
l
𝑥
t 𝑥 𝑥
𝑃 𝑥1 , 𝑥2 , … , 𝑥𝐺 = 𝑝1 1 … 𝑝2 𝐺 = 𝑝𝑗 𝑗
i En efecto, como sólo una de las 𝑥𝑗 es distinta de cero, la probabilidad de
v que la 𝑗 −ésima sea uno es precisamente 𝑝𝑗 , la probabilidad de que el
a elemento observado pertenezca a la clase 𝑗.
r Generalizando esta distribución, sea (𝒙1 , 𝒙2 , … , 𝒙𝑛 ) una muestra de 𝑛
i valores de esta variable multinomial puntual que resulta al clasificar n
a elementos de una muestra en las 𝐺 clases. Se denomina distribución
n multinomial a la de la variable suma:𝒚 = 𝑛
𝑖=1 𝒙𝑖
t que indica el número de elementos en la muestra que corresponden a
e cada una de las clases.
s
D. Multivariantes
Distribución Multivariada
M LA DISTRIBUCIÓN MULTINOMIAL
u Los componentes de esta variable, 𝒚 = 𝑦1 , 𝑦2 , … , 𝑦𝐺 ′ , representan las
l frecuencias observadas de cada clase y podrán tomar los valores
t 𝑦𝑖 = 0,1, … , 𝑛, pero están sujetos a la restricción: 𝐺
𝑖=1 𝑦𝑖 =𝑛
i y su función de probabilidad será:
v 𝑛! 𝑛 𝑛
𝑃 𝑦1 = 𝑛1 , … , 𝑦𝐺 = 𝑛𝐺 = 𝑝1 1 … 𝑝𝐺 𝐺
a 𝑛1 ! … 𝑛𝐺 !
r donde 𝑛𝑖 = 𝑛 . El término combinatorio tiene en cuenta las
i permutaciones de 𝑛 elementos cuando hay 𝑛1 , … , 𝑛𝐺 repetidos. Se
a comprueba que
n 𝐸 𝒚 = 𝑛𝒑 = 𝝁𝑦 y 𝐸 𝒚 = 𝑛 𝑑𝑖𝑎𝑔 𝒑 − 𝒑𝒑′ = 𝑑𝑖𝑎𝑔 𝝁𝑦 − 𝑛 𝝁𝑦 𝝁′𝑦
1
t donde 𝑑𝑖𝑎𝑔 𝒑 es una matriz cuadrada con los elementos de 𝒑 en la
e diagonal y ceros fuera de ella.
s
D. Multivariantes
Distribución Multivariada
M LA DISTRIBUCIÓN MULTINOMIAL
u Esta matriz es singular ya que los elementos de y están ligados por la
l ecuación de restricción 𝐺
𝑖=1 𝑦𝑖 = 𝑛 . Es fácil comprobar que las
t distribuciones marginales son binomiales, on:
i
𝐸 𝑦𝑗 = 𝑛𝑝𝑗 = 𝜇𝑗 , 𝐷𝑇 𝑦𝑗 = 𝑝𝑗 1 − 𝑝𝑗
v
a Además, cualquier distribución condicionada es multinomial. Por
r ejemplo, la de 𝐺 − 1 variables cuando 𝑦𝐺 toma el valor fijo 𝑛𝐺 es una
i multinomial en las 𝐺 − 1 variables restantes con tamaño muestral
a 𝑛′ = 𝑛 − 𝑛𝐺 . La distribución condicionada de 𝑦1 , 𝑦2 cuando 𝑦3 =
n 𝑛3 , … , 𝑦𝐺 = 𝑛𝐺 es una binomial, con 𝑛′ = 𝑛 − 𝑛3 − 𝑛4 − ⋯ − 𝑛𝐺 , etc.
t
e
s