Академический Документы
Профессиональный Документы
Культура Документы
v.a. multidimensional
Indice
v.a. multidimensional
I. Santamara
v.a. multidimensional
Vectores aleatorios
Un vector aleatorio es un conjunto de v.a. aleatorias
x = (x1 , . . . , xN )T .
Por simplicidad, consideraremos el caso bidimensional
x1
x=
.
x2
completa sobre la v.a. bidimensional
La infomacion
esta contenida en su fdp conjunta f (x) = f (x1 , x2 ).
A partir de la conjunta, obtenemos la marginales integrando
sobre la otra variable
Z
f (x1 ) =
f (x1 , x2 )dx2 .
I. Santamara
v.a. multidimensional
Teorema de Bayes
Teorema de Bayes
f (|x) =
f (x|)f ()
f (x)
I. Santamara
v.a. multidimensional
independencia
Ortogonalidad, incorrelacion,
Ortogonalidad E[x1 x2 ] = 0,
de ortogonalidad se explica porque E[x1 x2 ],
La denominacion
define un producto escalar en el espacio (de Hilbert) de variables
aleatorias.
Indepencia Incorrelacion,
Independientes o no?
x2 f ( x1 , x2 ) = C
x1
x2 f ( x1 , x2 ) = C
x1
I. Santamara
v.a. multidimensional
E[x] =
E[x1 ]
1
=
= x
E[x2 ]
2
(matriz de correlacion)
Matriz de autocorrelacion
E[x21 ]
E[x1 x2 ]
Rx = E[xxT ] =
E[x2 x1 ]
E[x22 ]
Matriz de autocovarianza (matriz de covarianza)
Cx = E[(x x )(x x )T ] = Rx x Tx =
2
E[(x1 1 )2 ]
E[(x1 1 )(x2 2 )]
1
=
=
E[(x2 2 )(x1 1 )]
E[(x2 2 )2 ]
21
12
.
22
I. Santamara
v.a. multidimensional
Gaussiana multidimensional
1
1
exp (x x )T C1
x (x x )
2
(2)N/2 |Cx |1/2
I. Santamara
v.a. multidimensional
Propiedad
Si un conjunto de variables x1 , . . . , xN son conjuntamente
incorreladas entonces son independientes.
Gaussianas y estan
incorreladas su matrix
Si son conjuntamente Gaussianas y estan
2
de covarianza es diagonal Cx = diag(12 , . . . , N
).
comprobar que la fdp conjunta se puede
Entonces es facil
escribir como el producto de las marginales,
f (x) =
=
1
1
exp (x x )T C1 (x x )
2
(2)N/2 |Cx |1/2
N
Y
fi (xi ) =
i=1
1
(2)
Q
N/2
exp
N
X
(xi i )2
i=1
2i2
I. Santamara
v.a. multidimensional
Ejemplo 1
x =
1
,
2
Cx =
0
=I
1
1
0
0.2
0.15
x2
0.1
0.05
0
6
4
2
2
0
-1
-2
-1
0
-2
-2
x1
I. Santamara
v.a. multidimensional
Ejemplo 2
1
x =
,
2
Cx =
1
0
0
0.1
=I
1.6
4
1.4
1.2
3
1
0.8
x2
0.6
0.4
0.2
0
5
4
4
3
3
2
2
1
1
0
0
-1
-1
-1
-2
-1
-2
x1
Tema1: Vectores aleatorios (v.a. multidimensionales)
I. Santamara
v.a. multidimensional
Ejemplo 3
1
x =
,
2
Cx =
1
0.2
0.2
=I
0.2
0.9
0.8
0.7
0.6
0.5
0.4
x2
0.3
0.2
0.1
0
5
4
4
3
3
2
2
1
1
0
0
-1
-2
-1
-1
-1
-2
x1
Tema1: Vectores aleatorios (v.a. multidimensionales)
I. Santamara
v.a. multidimensional
1
1
exp (y y )T C1
y (y y )
2
(2)N/2 |Cy |1/2
I. Santamara
v.a. multidimensional
Gaussiana compleja
Sea una v.a. Gaussiana compleja x = xR + jxI , en la que
xR N (0, 2 /2) y xI N (0, 2 /2) son Gaussianas reales
independientes.
Para caracterizar esta variable podemos considerar el vector
podemos tratar
Gaussiano bidimensional (xR , xI )T , o tambien
1
|x |2
exp
2
2
(1)
I. Santamara
v.a. multidimensional
a vectores complejos
Extension
Sea x = (x1 , . . . , xN )T un vector de v.a. complejas.
La matriz de covarianza para vectores complejos se define como
Cx = E[(x )(x )H ],
donde H denota Hermtico, que significa transpuesto y
conjugado.
Y la fdp del vector complejo Gaussiano se puede escribir
de las variables complejas como
directamente en funcion
f (x) =
1
exp (x x )H C1
x (x x ).
N |Cx |
Notese
que si x e y son dos v.a. complejas su correlacion
cruzada se calcula como E[xy ], y el momento no centrado de
segundo orden de una v.a. compleja es, por tanto,
E[xx ] = E[|x|2 ].
Tema1: Vectores aleatorios (v.a. multidimensionales)
I. Santamara