REPRESENTACION DE SEÑALES ALEATORIAS
Los entes manejados en la teoría de las probabilidades
se llaman puntos muéstrales. El conjunto de todos los
casos posibles individuales de un experimento aleatorio se llama
"espacio
muestral" del experimento. Un espacio muestral
puede ser discreto o continuo, según que el conjunto
de casos posibles sea numerable o no.
Variable aleatoria.-
Sea S un espacio muestral, una variable aleatoria n-dimensional
es simplemente una función cuyo dominio es el espacio
muestral dado y cuyo recorrido es una colección de n-uplas
de números reales (vectores de Rn). Una variable
aleatoria es, por tanto, una función vectorial definida
en un con junto. La palabra "aleatoria"
solo sirve para recordar que el conjunto en cuestión
es un espacio muestral.
Si el espacio muestral de un experimento X no es numerable,
entonces no es posible asignar probabilidades no aulas a los
sucesos elementales que lo constituyen. A fin de generalizar
la noción de probabilidad de un suceso elemental en espacios
muéstrales no numerables se introduce el concepto de
función
de densidad de probabilidad, designada por p(x)
y que tiene las siguientes propiedades:
\( \displaystyle \begin{array}{l}
0 \leq p(x_i)\quad ; \quad -\infty < x_i < +\infty\;,
i= 1,..., n\qquad (1) \\
\\
\int_{-\infty}^{+\infty}p(x_i)dx_i = 1\qquad\qquad (2)
\end{array} \)
Para cualquier suceso E perteneciente al espacio muestral se define
su probabilidad mediante:
\( \displaystyle\begin{array}{l}
p(E)= \int_{-\infty}^{E}p(x_i)dx_i = \\
\\
= \int_{-\infty}^{E_1}... \int_{-\infty}^{E_n}p(x_1,...,x_n)dx_1...dx_n\qquad\qquad
(3)
\end{array} \)
Cuando se define una función con las propiedades anteriores
decimos que se ha definido una distribución de probabilidades
continua.
A partir de la función de densidad de probabilidad puede
obtenerse la
función
de distribución, P(x), definida por:
\( \displaystyle P(x) = P(X\leq x)\qquad\qquad (4) \)
y que en el caso continuo se obtiene mediante:
\( \displaystyle\begin{array}{l}
P(x) = P(X\leq x)=\int_{-\infty}^{x}p(x)dx = \\
\\
= \int_{-\infty}^{x_1}... \int_{-\infty}^{x_n}p(\xi_1,...,\xi_n)d\xi_1...d\xi_n
\qquad (5)
\end{array} \)
Debido a la naturaleza de su definición, P(x) tiene que
ser una función monótona creciente. Los valores
de P(x) estarán comprendidos entre 0 y 1, y su definición
implica también que \( P(-\infty) \) tiene que ser igual
a cero y que \( P(\infty) \) tiene que ser igual a uno en todos
los casos.
A fin de describir ciertas propiedades de las distribuciones de
probabilidad es útil definir algunas cantidades o parámetros
estadísticos relacionados con ellas. De ese modo, si x
es una variable estadística n-dimensional, su valor esperado
o primer momento se establece como:
\( \displaystyle\begin{array}{l}
E[x] = \int_{-\infty}^{+\infty}...\int_{-\infty}^{+\infty}\left(
\begin{array}{c}
x_1 \\
\vdots \\
x_n \\
\end{array}
\right) \\
\\
p(x_1,...,x_n)dx_1...dx_n = \bar{x}\qquad (6)
\end{array} \)
Podemos considerar E[x] como la
media
de la población de la que se ha sacado la muestra. Es habitual
designar este valor mediante la letra \( \mu \).
De modo semejante podemos definir el valor esperado de cualquier
función f(X), es decir:
\( \displaystyle E[f(X)] = \int_{-\infty}^{+\infty}f(x).p(x)dx\qquad
(7) \)
En particular, la matriz de covarianza de x viene definida
por:
\( \displaystyle \sigma = E[(x-\mu)(x-\mu)^T]\qquad\qquad (8)
\)
Siendo \( \sigma \) una matriz simétrica y definida positiva.
Cada término \( p_{ii} \) de la diagonal principal de \(
\sigma \)recibe el nombre de varianza de \( x_i \), y cada término
\( p_{ii}, i\neq j \) es llamado covarianza de \( x_i \; y \;
x_j \).
Desarrollando la expresión (8) se obtiene una relación
interesante entre la media y la varianza de una función
aleatoria:
\( \displaystyle\begin{array}{l}
\sigma = E[(x-\mu)(x-\mu)^T]= \\
\\
= E[x·x^T - x·\mu^T - \mu·x^T + \mu·\mu^T]
= \\
\\
= E[x·x^T] - E[x]\mu^T - \mu·E[x^T] + \mu·\mu^T
= \\
\\
= E[x·x^T] - \mu·\mu^T -\mu·\mu^T + \mu·\mu^T
= \\
\\
= E[x·x^T] - \mu·\mu^T\qquad (9)
\end{array} \)
La expresión \( E[x·x^T] \) recibe el nombre de
valor cuadrático medio de x.
Generalizando la noción de matriz de covarianza se introduce
el conjunto de
covarianza
cruzada entre dos vectores X e Y:
\( \displaystyle \begin{array}{l}
\sigma_{xy} = E[(X-\bar{X})(Y- \bar{Y}] =\\
\\
\int_{-\infty}^{+\infty}...\int_{-\infty}^{+\infty}(x-\bar{x})(y-\bar{y})dx_1...dx_n·dy_1...dy_n\quad(10)
\end{array}
\)
Sí dice que los elementos \( X_i \) de un vector estocástico
X, de dimensión n, son
estadísticamente
independientes si su función de distribución
compuesta se factoriza idénticamente en el producto de
sus funciones distribución marginal
\( \displaystyle P(x_1,...,x_n) = P(x_1)...P(x_n)\qquad\qquad
(11) \)
Es fácil ver entonces, cuando las derivadas parciales enésimas
adecuadas en ambos miembros de (11) que cuando los elementos de
X son estadísticamente independientes su función
de densidad compuesta también se puede factorizar:
\( P(x_1,...,x_n) = p(x_1)...p(x_n)\qquad\qquad (12) \)
Análogamente, dos variables \( X_i \; e\; Y_i \) si dicen
no correlacionadas
sí:
\( \displaystyle E_{x_iy_i}(X_i,Y_i) = E_{x_i}(X_i)·E_{y_i}(Y_i)\qquad
(13) \)
Si X es un vector estocástico de dimensión n
cuyas componentes son no correlacionadas, se verifica:
\( \displaystyle\begin{array}{l}
E[(X-\bar{X})(Y- \bar{Y}] = \\
\\
= E(X_i,X_j)-\bar{X}_i·E(X_j)-E(X_i)·\bar{X}_j+\bar{X}_i·\bar{X}_j
=\\
\\
= E(X_i)·E(X_j) - \bar{X}_i\bar{X}_j - \bar{X}_i\bar{X}_j
+ \bar{X}_i\bar{X}_j = \\
\\
= \bar{X}_i\bar{X}_j- \bar{X}_i\bar{X}_j = 0 \quad (14) \\
\end{array} \)
y, por tanto, su matriz de covarianza es diagonal.
Finalmente, dos vectores estocásticos son ortogonales
si se cumple:
\( E[X_i, X_j] = 0\qquad\qquad (15) \)
La independencia entre vectores aleatorios implica su no correlación,
pero lo contrario no es siempre cierto. Análogamente, dos
vectores ortogonales son no correlacionados, pero si estos son
no correlacionados, para que sean también - ortogonales
su valor medio debe ser nulo.
Función
característica.- Una alternativa al
conocimiento de los momentos de orden sucesivo de una variable
aleatoria X se tiene mediante la llamada función característica,
dada por:
\( \displaystyle\begin{array}{l}
\phi_x = E[\exp(i·x^Tu)] = \\
\\
=\int_{-\infty}^{+\infty}...\int_{-\infty}^{+\infty}\exp(i·x^Tu)·p(x)dx_1...dx_n\qquad
(16)
\end{array} \)
siendo u un vector de dimensión n. La importancia de la
función característica radica en el hecho de que
los momentos sucesivos de X pueden obtenerse derivando dicha función
característica, es decir:
\( \displaystyle E[x^r]= \frac{1}{i^r}·\frac{d^r}{du^r}[\phi_x(0)]\qquad
(17) \)
para todo r, supuesto que \( \phi_x(u) \) sea analítica,
y donde i es la unidad imaginaria.
A partir de su definición podemos ver que la función
característica es justamente la transformada do Fourier
de la función densidad de probabilidad, por lo que la fórmula
de inversión que se sigue de la teoría de Fourier
nos permite escribir:
\( \displaystyle\begin{array}{l}
p(x) = \frac{1}{(2\pi)^n} \int_{-\infty}^{+\infty}...\int_{-\infty}^{+\infty}
\\
\\
\exp(i·x^Tu)·\phi_x(u)du_1...du_n\qquad (18)
\end{array} \)
Siempre, claro está, que \( \phi_x(u) \) sea absolutamente
integrable.