4o Ingeniera de Telecomunicacion

y v.a. unidimensional
Tema1: Introduccion
I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Indice

Introduccion

v.a. unidimensional

Estima de la fdp

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Procesos estocasticos
A cada suceso de un experimento aleatorio t se le asigna una
x[n, t ).
funcion

El proceso estocastico
es el conjunto de todas estas funciones
(lo denotaremos simplemente como x[n]).
x[n, 1 )

Espacio de probabilidad

n=0

x[n, t )

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Procesos estocasticos
Para un suceso dado (t fijo, n variable), x[n, t ) es una
del proceso (secuencia discreta).
realizacion
x[n, 1 )

n=0

#
x[n, t )

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Procesos estocasticos
Para un instante dado (n fijo, t variable), x[n, t ) = xn es una variable
aleatoria.
Si fijamos varios instantes tenemos una v.a. multidimensional
x = (x1 , . . . , xn )T .
x[n, 1 )

n=0

#
x[n, t )

v.a. unidimensional

y v.a. unidimensional
Tema1: Introduccion

v.a. multidimensional

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Resumen del tema

Primero recordaremos los conceptos fundamentales sobre

variables aleatorias unidimensionales.
Luego hablaremos de vectores aleatorios (v.a.
multidimensionales).

Por ultimo,
consideraremos los procesos estocasticos

de autocorrelacion,
densidad espectral de
estacionarios (funcion
potencia y filtrado de procesos).

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Indice

Introduccion

v.a. unidimensional

Estima de la fdp

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Variable aleatoria (v.a.)

densidad de
Una v.a., x, queda caracterizada por su funcion
probabilidad fx (x) o simplemente f (x).
Propiedades de f (x)
f (x) 0
Z

(1)

f (x)dx = 1

(2)

Z
P r(a x b) =

f (x)dx

(3)

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Esperanza matematica
Promedios temporales
N
1
x[n ] = lim
x[n ]

N 2 N + 1
n = N

Espacio de probabilidad

n=0

#
t

E [ xn ] = xn f ( xn )dxn
Promedios estadsticos: ESPERANZA MATEMTICA

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Momentos de una v.a.

En general E[g(x)] =

g(x)f (x)dx.

Media: = E[x].
estandar

Varianza: 2 = E[(x )2 ]; la desviacion

es .


x 4
] 3, (mide lo picuda que es la fdp en el
Kurtosis: K = E[
origen).
Momento no centrado de orden k: E[xk ].
Momento centrado de orden k: E[(x )k ].

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Ejemplos tpicos
Una 2-PAM (v.a. discreta): f (x) = 0, 5(x 1) + 0, 5(x + 1)
= 0,
2 = 1,
K = 2.

Uniforme: x U (/2, /2)

1

1
,
f ( x) =
0,

x
2
2,
resto;

= 0,
2 = 2 /12,
K = 6/5.

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Gaussiana
La distribucion
mas
popular es, sin duda, la Gaussiana
La distribucion


(x )2
1
x N (, 2 )

f (x) =
exp
2 2
2

(4)

0.5

0.4

f(x)

0.3

0.2

0.1

0
-3

-2

-1

0
x

Karl Friedrich Gauss 1777-1855

Gauss se planteo el siguiente problema: dadas N observaciones

debe
independientes de una v.a. x con media , Que distribucion

tener x para que el estimador de maxima

verosimilitud de la media sea
PN

= N1
i=1 xi ?
y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Momentos de una v.a. Gaussiana

La fdp de una v.a. Gaussiana viene caracterizada por su media

y su varianza 2 .
La kurtosis es K = 0.
uniforme).
K < 0 v.a. subgaussiana (mas
picuda).
K > 0 v.a. supergaussiana (mas

Momento centrado de orden m


0
E[(x )m ] =
(m 1)(m 3) . . . 3 1 m

y v.a. unidimensional
Tema1: Introduccion

m impar
m par

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Q(x)
Funcion
Q(x) se define como
La funcion
 2
Z
Z
1
t
exp
Q(x) =
dt =
N (0, 1)dt
2
2
x
x

(5)

10

-1

10

-2

10

=1

Q(x)

-3

10

-4

10

-5

10

-6

10

N (, 2 )dt = Q
Q(0) = 0.5
Q(x) = 1 Q(x)
x

-7

10

0.5

1.5

2.5

3.5

4.5

x

util
Si x > 4 una aproximacion
es: Q(x)

2
1 ex /2
2x

complementaria de error (erf

En Matlab esta tabulada la funcion
c(x)), a
partir de ella podemos obtener Q(x) como Q(x) = 0, 5 erf c(x/ 2).
y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

y v.a. unidimensional
Tema1: Introduccion

v.a. unidimensional

Estima de la fdp

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Otras propiedades

La Gaussiana es una v.a. especial por muchas otras propiedades:

de maxima

Para una varianza fija la Gaussiana es la distribucion

entropa
Z

H(x) = E[log(f (x))] = log(f (x))f (x)dx = log( 2). (6)

de dos Gaussianas es otra Gaussiana.
La convolucion
La transformada de Fourier de una Gaussiana es otra
Gaussiana.
Teorema Central del Lmite: Bajo condiciones muy generales la
suma de v.a. independientes tiende a ser Gaussiana.

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Funciones de v.a. Gaussianas

Resultado fundamental
lineal de Gaussianas independientes sigue
Una combinacion
una distribucion
Gaussiana.
tambien
Si x1 y x2 son v.a. independientes y hacemos z = x1 + x2
fz (x) = fx1 (x) fx1 (x).
Si x1 N (1 , 12 ) y x2 N (2 , 22 ) son Gaussianas
independientes y hacemos z = ax1 + bx2
z N (a1 + b2 , a2 12 + b2 22 )

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Chi-cuadrado con N grados de libertad

Si x1P
, . . . , xN son Gaussianas independientes (xi N (0, 1)), la v.a.
2
chi-cuadrado con N grados de
x= N
i=1 xi , sigue una distribucion
libertad x 2N . Su fdp es
N

f (x) =

x
x 2 1
,
exp
N/2
2
2
(N/2)

x 0.

exponencial f (x) =
Para N = 2, x sigue una distribucion
(x 0).
0.5

1
2

(7)
exp

x
2

,

N=1

0.4

0.3

N=2
N=4

0.2

N=6

N=8

0.1

0
0

y v.a. unidimensional
Tema1: Introduccion

10

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Otras distribuciones utiles

2
2
Si x1 N
p(0, ) y x2 N (0, ) son Gaussianas independientes, la
2
2
Rayleigh. Su fdp es
v.a. x = x1 + x2 , sigue una distribucion


x
x2
f (x) = 2 exp 2 ,
x 0.
(8)

Si x1 y/o x2 tienen media no nula, x =

de Rice.

x21 + x22 , sigue una distribucion

Son modelos habitual de desvanecimientos (fading) para canales de

comunicaciones inalambricas:
h = hR + jhI .
Canales NLOS (Non-Line-of-Sight) Rayleigh.
Canales LOS (Non-Line-of-Sight) Rice.
interesante es la Laplaciana: x L(, 2 )
Otra distribucion


|x | 2
1
f (x) = exp
.

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Indice

Introduccion

v.a. unidimensional

Estima de la fdp

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Histograma
habitual de la fdp.
El histograma es el estimador mas

Ni
N
x + x
x

Ni

0
-3

-2

-1

x + x

Se basa en que las frecuencias relativas convergen a la probabilidad

(ley de los grandes numeros),
es decir

Ni
N
y v.a. unidimensional
Tema1: Introduccion

P r(x x x + x).

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Estimador de Parzen
A partir de un conjunto de observaciones (realizaciones) de una v.a.,
x1 , . . . , xN ; el estimador de Parzen de la fdp viene dado por
N
1 X
f(x) =
K(x xi ),
N i=1

nucleo
donde K(x) es una funcion
(kernel) que satisface las

propiedades de la fdp (positiva e integra a la unidad).

El kernel habitualmente usuado es el Gaussiano


x2
1
exp 2 .
K (x) =
2
2
Se puede demostrar que cuando N
f(x) f (x) K (x).

y v.a. unidimensional
Tema1: Introduccion

I. Santamara


Introduccion

v.a. unidimensional

Estima de la fdp

Un ejemplo
Generamos 1000 muestras de una x N (0, 1)
0.7

2 = 0.001

0.6
0.5
0.4
0.3

2 = 0.1

=2
2

0.2
0.1
0
-3
y v.a. unidimensional
Tema1: Introduccion

-2

-1

3
I. Santamara