Académique Documents
Professionnel Documents
Culture Documents
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
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
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
En general E[g(x)] =
g(x)f (x)dx.
Media: = E[x].
estandar
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.
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
= N1
i=1 xi ?
y v.a. unidimensional
Tema1: Introduccion
I. Santamara
Introduccion
v.a. unidimensional
Estima de la fdp
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
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
y v.a. unidimensional
Tema1: Introduccion
I. Santamara
Introduccion
v.a. unidimensional
Estima de la fdp
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
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
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)
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
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
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