Procesos Estocásticos: Caso de estudio 8

Rubén Castillo
rd.castillo@uniandes.edu.co
Santiago Alfonso
sa.alfonso@uniandes.edu.co

1. Punto 1
Se tiene la matriz de covarianza CX del vector aleatorio X = [X1 , X2 ]T
 
3 1
Cx =
1 2
A partir de la definición

Cx = E[(X − E[X])(X − E[X])T ] = RX − E[X]E[X]T

Las varianzas corresponden a los elementos diagonales de la matriz, por lo que σ12 = 3 y σ22 = 2.
En cuanto a las covarianzas, estas vienen dadas por los elementos restantes: cov(X1 , X2 ) = 1 y
cov(X2 , X1 ) = 1.

Ahora, para determinar el coeficiente de correlación ρ, se tiene en cuenta la siguiente expresión:

cov(X1 , X2 )
ρ(X1 , X2 ) = p
σ12 σ22
Entonces, teniendo en cuenta lo anterior, se obtiene que el coeficiente de correlación es:
√
1 6
ρ(X1 , X2 ) = √ = ≈ 0,408
3·2 6

2. Punto 2
Sea W un vector aleatorio definido de la siguiente forma:

W = [W1 , W2 ]T

Este vector aleatorio posee la siguiente matriz de covarianza:

 
1 0
Cw =
0 1

Esta matriz nos muestra que las covarianzas de las variables W1 y W2 son cero, por lo cual la
matriz es simétrica. Asimismo, conocemos que las varianzas de ambas variables aleatorias es 1.
Ahora bien, deseamos conocer una matriz de transformación A tal que:

X = AW

Del vector X conocemos la matriz de covarianza, que se presenta a continuación:

 
2 3
Cx =
3 6

1
Ahora bien, procedemos a calcular sus valores propios, con el fin de saber si es positiva semidefinida.
En la diagonal de la matriz Λx se presentan los valores propios de Cx :
 
0,35449 0
Λx =
0 7,60555

Dado que los valores propios de la matriz Cx son positivos, la matriz es positiva semidefinida y,
al ser simétrica, corresponde a la matriz de covarianza de nuestro vector aleatorio X. Sabemos que
cualquier matriz positiva semidefinida y simétrica M es la matriz de covarianza de algún vector
aleatorio X. Definimos X de la siguiente forma:

X = M 1/2 W

Ahora bien, es necesario hallar el valor de M . Cx es por definición:

Cx = E[(X − E[X])(X − E[X])T ]

Reemplazando X por M 1/2 W en la ecuación anterior, obtenemos que:

Cx = E[(M 1/2 W − E[M 1/2 W ])(M 1/2 W − E[M 1/2 W ])T ]

Dado que M es constante, podemos sacarlo de los valores esperados:

Cx = E[(M 1/2 W − M 1/2 E[W ])(M 1/2 W − M 1/2 E[W ])T ]

Factorizando:
Cx = E[M 1/2 (W − E[W ])(M 1/2 )T (W − E[W ])T ]
Operando algebraicamente obtenemos que:

Cx = M 1/2 E[(W − E[W ])(W − E[W ])T ](M 1/2 )

Sabemos que E[(W − E[W ])(W − E[W ])T ] es la varianza de W , la cual sabemos es 1 tanto para
W1 como para W2 , por lo cual:
 
1 0
E[(W − E[W ])(W − E[W ])T ] =
0 1

Reemplazando en la ecuación de Cx , obtenemos que:

Cx = M 1/2 M 1/2

Lo cual es:
Cx = M
Por tanto, X queda definido de la siguiente forma:

X = Cx1/2 W

Por tanto, la matriz de transformación A es:

A = Cx1/2

3. Punto 3
El vector aleatorio X = [X1 .X2 ]T , con matriz de covarianza Cx :
 
10 2
Cx =
2 1
está asociado al vector aleatorio W tal que W = AX, con matriz de covarianza CW :

2
  
1 0
CW =
0 1
Para comenzar, se revisa que el rango de la matriz CX sea 2 a partir de su determinante; dado
que este es 6 (no nulo), se comprueba el rango de 2. A partir de esto, se realiza el blanqueamiento
del vector aleatorio W. Entonces, basándonos en lo realizado en el Punto 2, se define lo siguiente:
−1
W = CX 2 X
Teniendo en cuenta que
−1 −1
E[W W T ] = CX 2 E[XX T ]CX 2
−1 −1
E[W ]E[W ]T = CX 2 E[X]E[X]T CX 2
Entonces, la covarianza CW es la matriz identidad.
 
1 0
CW = E[W W T ] − E[W ]E[W ]T =
0 1
−1
De modo que se comprueba que la matriz de transformación A es CX 2 .

4. Punto 4
Sea X un vector aleatorio X = [X1 , X2 ]T con la siguiente matriz de covarianza:
 
8 −1
Cx =
−1 3

Tenemos que encontrar una matriz de transformación A tal que:

Z = AX

Sabemos que Z posee la siguiente matriz de covarianza:

 
8 3
Cz =
3 2

Inicialmente, debemos comprobar que el rango de la matriz Cx es de 2. Al hallar que su determi-

nante es 23, es decir, no nulo, verificamos lo anterior. Una vez realizado este paso, realizamos el
”blanqueamiento”del vector aleatorio X. Para esto, definimos W de la siguiente forma:

W = Cx−1/2 X

La matriz de covarianza de W es:  

1 0
Cw =
0 1
Ahora bien, procedemos a definir Z en términos de W. Para esto, realizamos lo mismo que en el
punto 2, definiendo Z de la siguiente forma:

Z = Cz1/2 W
−1/2
Reemplazando W = Cx X en la anterior ecuación, obtenemos lo siguiente:

Z = Cz1/2 Cx−1/2 X

Por tanto, la matriz de transformación A es:

A = Cz1/2 Cx−1/2