4o Ingeniera de Telecomunicacion

Tema1: Vectores aleatorios (v.a.

multidimensionales)
I. Santamara

v.a. multidimensional

Indice

v.a. multidimensional

Tema1: Vectores aleatorios (v.a. multidimensionales)

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 .

El cociente entre la conjunta y las marginales nos da las fdps

condicionadas
f (x1 , x2 )
f (x1 , x2 )
f (x1 |x2 ) =
,
f (x2 |x1 ) =
.
f (x2 )
f (x1 )
Tema1: Vectores aleatorios (v.a. multidimensionales)

I. Santamara

v.a. multidimensional

Teorema de Bayes

importantes (en deteccion

y
Uno de los teoremas mas
especialmente) es el Teorema de Bayes
estimacion,

Teorema de Bayes
f (|x) =

f (x|)f ()
f (x)

f (): probabilidad a priori

f (x|): verosimilitud (likelihood)
f (|x): probabilidad a posteriori

Tema1: Vectores aleatorios (v.a. multidimensionales)

Thomas Bayes (1702-1761)

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.

E[(x1 1 )(x2 2 )] = 0 o, equivalentemente,

Incorrelacion
E[x1 x2 ] = E[x1 ]E[x2 ].
Independencia f (x1 , x2 ) = f (x1 )f (x2 ), o f (x1 |x2 ) = f (x1 ), o
f (x2 |x1 ) = f (x2 ).
pero no al reves.

Indepencia Incorrelacion,
Independientes o no?

x2 f ( x1 , x2 ) = C
x1

Tema1: Vectores aleatorios (v.a. multidimensionales)

x2 f ( x1 , x2 ) = C
x1

I. Santamara

v.a. multidimensional

Momentos de una v.a. bidimensional

Media


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

Tema1: Vectores aleatorios (v.a. multidimensionales)


12
.
22

I. Santamara

v.a. multidimensional

Gaussiana multidimensional

La fdp de una v.a. Gaussiana x = (x1 , . . . , xN )T es

f (x) =

1
1
exp (x x )T C1
x (x x )
2
(2)N/2 |Cx |1/2

Queda completamente caracterizada por su media y su matrix

definidas como en la transparencia
de covarianza, que estan
anterior.

Tema1: Vectores aleatorios (v.a. multidimensionales)

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

Tema1: Vectores aleatorios (v.a. multidimensionales)

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

Tema1: Vectores aleatorios (v.a. multidimensionales)

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

lineal de vectores Gaussianos

Transformacion
Otra propiedad importante

Sea x un vector aleatorio Gaussiano, si hacemos una transformacion

Gaussiano.
lineal y = Ax, entonces y es tambien
tenemos que calcular su media y
Para escribir la fdp de y solo
su matriz de covarianza:
y = E[y] = E[Ax] = AE[x] = Ax
Cy = E[(yy )(yy )T ] = E[A(xx )(xx )T AT ] = ACx AT
f (y) =

1
1
exp (y y )T C1
y (y y )
2
(2)N/2 |Cy |1/2

Tema1: Vectores aleatorios (v.a. multidimensionales)

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

de caracterizar la fdp directamente en terminos de la v.a.

compleja x.
Su media es E[x] = E[xR ] + jE[xI ] = R + jI = .
Su varianza es E[|x |2 ] = E[(xR R )2 ] + E[(xI I )2 ] = 2 .
Y la fdp se puede escribir como
f (x) = f (xR )f (xI ) =

1
|x |2
exp

2
2

(1)

donde tanto x como son numeros

complejos en (1).

Tema1: Vectores aleatorios (v.a. multidimensionales)

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