Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Concepto de VA N-dimensional
X, Y
Y
Extensin a
composicin de N
experimentos i
X X1 , X 2 ,, X N
Conceptos bsicos
Funcin de distribucin: se define como la probabilidad de la
interseccin de N sucesos:
Conceptos bsicos
Reduccin del nmero de variables en las funciones:
a)) Funcin de distribucin: evaluar en infinito las variables a
eliminar,
Conceptos bsicos
N funciones de N VAs. Teorema fundamental:
Si partimos de una situacin del tipo:
Y1
g1 X1 , X 2 ,, X N
Y2
g 2 X1 , X 2 ,, X N
YN
g N X1 , X 2 ,, X N
Conceptos bsicos
Respecto de funciones condicionadas:
Recordemos la relacin vista en el caso 2D:
Y la regla de la cadena para probabilidades condicionadas:
O bien:
Conceptos bsicos
Teniendo esto en cuenta, se puede escribir:
O bien:
f x1 , x2 , , x N f x1 , x2 x3 , , x N f x3 , , x N
Conceptos bsicos
Y siguiendo esta pauta es sencillo eliminar la dependencia de
variables en las funciones condicionadas:
Variables a la izquierda del condicionante: integrar con
respecto a ellas,
Conceptos bsicos
Estimacin de mnimo error cuadrtico medio (MMSE):
El estimador lineal se obtiene resolviendo un problema de
optimizacin
i i
i N dimensional:
di
i
l
N
g X , X ,, X a X b
Y
N
i i
1
2
i 1
Esperanzas matemticas
Los conceptos de correlacin y covarianza siguen presentes. Miden
la relacin cruzada entre dos variables (no entre tres o ms).
Cuando se tienen N variables hay que especificar entre qu dos
variables (de las N) se estn especificando tales parmetros.
Es cmodo emplear operadores vectoriales y/o matriciales para
ordenar esta informacin.
Vector de medias:
Matriz de covarianzas:
Esperanzas matemticas
Sea
Z i1 Xi
N
E Z Z
2
Z
2
N
N
N
E Xi Xi X2 i
i 1
i 1
i 1
Variables complejas
Las variables complejas son una combinacin lineal de variables
reales: Z X jY
Por tanto:
E Z E X jY E X jEY
Variables complejas
La esperanza de una funcin de la variable compleja puede
escribirse como hemos visto para el caso de una funcin de 2
variables aleatorias:
Variables complejas
Se definen la correlacin y la covarianza como:
Teoremas asintticos
Teorema del Lmite Central: la suma de variables
independientes e indnticamente distribuidas (IID) tiende a tener
una distribucin g
gaussiana.
X2 B1 0
i 1, , N
i
E X i Xi
i 1, , N
con
Teoremas asintticos
Para: (i) VAs continuas, y (ii) VAs discretas con valores equiespaciados, tambin se observa que:
con
Teoremas asintticos
X1 X 2
X1
10
Xi
i 11
i 11
X i ~ U 0,1
Teoremas asintticos
Teorema de Demoivre-Laplace: caso particular del Teorema del
Lmite Central para el caso de VAs de Bernouilli IID:
N 1
0 P X i 0 q
Xi
1 P X i 1 p
con
Teoremas asintticos
Ley de los Grandes Nmeros: convergencia de la frecuencia
relativa a la probabilidad axiomtica. Formalmente:
con:
f r A
P A
NA
N
p
Teoremas asintticos
Ley de los Grandes Nmeros. Demostracin:
D
Demoivre-Laplace
i
L l
10
Teoremas asintticos
Por tanto:
La expresin:
sirve para hallar el valor de N que hace falta para caer dentro de
un intervalo del valor p con una probabilidad deseada.
11
12
A X
T
C ACX A
T
C 1 A 1 CX 1 A 1
13
X1
CX
X2
XN
Gaussiana Bivariante
Particularizacin de lo anterior para N=2. La funcin de densidad
resulta ser:
14
fY y x
E Y x
Para ello
f XY x, y 2 2 1 2
fY y x
1
f X x
1
2 1 2
x 2 2 xy y 2 x 2
2 2 2
2 2
15
fY y x
resulta
2 1 2
fY y x
x 2 x 2 1 2 2 xy y 2
1
2 2
2 2
2 1
2
2 1 2
2 x 2 2 xy y 2
1
2 2
2
2 1 2
es decir
fY y x
1 2 2
Segn enunciado
1
2 1 2
y x 2
2
Y X x 0 ~ N x 0 , 1 - 2
P R f XY x, y dxdy
Solucin: a)
R
2
x2
y2
1 2 2 2 2
e
d d
dxdy
e
R
Si ahora hacemos
P R
r cos
r sin
Nos queda
R
1
2
4
0 0
r2
r2
1
2 1
r 2
1 2 2
rdrd
d 4 2 e 2 dr
e
0 2
0
2
16
P R
1
4
0
r
1
d 2 e
2
r2
2 2
dr e
1
r2 4
2 2
1 e
1
32 2
Si ha de verificarse que:
P R 1 e
1
32 2
0.7
0.1611
17