Procesos Estocásticos

Departamento de Eléctrica y Electrónica

Cellere Jonathan
Guanoluisa Richard
Peña Abigail
Orbe Alexander
Índice

• Distribución Normal Multidimensional

• Esperanza
• Covarianza
• Distribución Normal 2D
• Transformación lineal
• Ejemplos
• Videos recomendados
• Bibliografía

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

La función de distribución normal multidimensional de dimensión n es:

1 1 𝑇 −1
𝑓𝑋 (𝑥, 𝜇, Σ) = 𝑛ൗ 1ൗ exp − (𝑥 − 𝜇) Σ (𝑥 − 𝜇)
(2Π) 2 |Σ| 2 2

Donde:

X : Vector de dimensión n
Σ : Matriz de covarianza de dimensión nxn
𝜇 : Vector de medias de dimensión n

La media y la covarianza se obtiene a través de:

𝜇=𝐸 𝑋
Σ = 𝐸( 𝑋 − 𝜇 (𝑋 − 𝜇)𝑇 )

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Esperanza
La componente de la media 𝜇𝑖 = 𝐸(𝑋𝑖 ) para 𝑖 = 1, 2, 3, … , 𝑛

Covarianza
El elemento 𝜎𝑖𝑗 de la matriz de covarianza Σ, viene dado por

𝜎𝑖𝑗 = 𝐸 𝑋𝑖 − 𝜇𝑖 𝑋𝑗 − 𝜇𝑗

Para todo 𝑖, 𝑗 = 1,2, … , 𝑛

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Distribución Normal 2D
• Supongamos que las v.a X e Y no son independientes, con coeficiente
de correlación 𝜌 ≠ 0, entonces:
𝜎𝑥2 𝜌𝜎𝑋 𝜎𝑌
Σ=
𝜌𝜎𝑌 𝜎𝑋 𝜎𝑌2
1 1
𝑓𝑋,𝑌 𝑥, 𝑦 = exp − 𝑞 𝑥, 𝑦
2𝜋𝜎𝑋 𝜎𝑌 1 − 𝜌2 2
• Donde
2 2
1 𝑥 − 𝜇𝑥 𝑥 − 𝜇𝑥 𝑦 − 𝜇𝑌 𝑦 − 𝜇𝑌
𝑞 𝑥, 𝑦 = − 2𝜌 +
1 − 𝜌2 𝜎𝑥 𝜎𝑋 𝜎𝑌 𝜎𝑌

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Distribución Normal 2D
Sean 𝜇𝑋 , 𝜇𝑌 𝜖𝑅2 𝜎𝑋 , 𝜎𝑌 𝑠𝑜𝑛 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠
𝜎𝑥2 𝜌𝜎𝑋 𝜎𝑌
Σ=
𝜌𝜎𝑌 𝜎𝑋 𝜎𝑌2
PROPIEDADES
• Σ 𝑒𝑠 𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎
• Determinante Σ = 1 − 𝜌2 𝜎𝑋2 𝜎𝑌2 es positivo
2
−1 1 𝜎𝑌 −𝜌𝜎𝑋 𝜎𝑌
•Σ = 2 𝜎2
1−𝜌2 𝜎𝑋 𝑌 −𝜌𝜎𝑌 𝜎𝑋 𝜎𝑋2

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Transformación lineal

Supongamos que el vector aleatorio 𝑋 ∼ 𝑁𝑛 𝜇, Σ , 𝑠𝑒𝑎 𝑌 = 𝐴𝑋 +

𝑏 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑌 ∼ 𝑁𝑛 𝐴𝜇 + 𝑏, 𝐴Σ𝐴′

Para el vector aleatorio X con matriz de covarianza Σ, siempre existe

una matriz A tal que Σ = 𝐴𝐴′

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

EJERCICIO 1
Sea 𝑋 = [𝑋1 , 𝑋2 ]𝑇 un vector aleatorio de dimensión p= 2, con 𝜇1 = 𝐸(𝑋1 ), 𝜇2 = 𝐸(𝑋2 ),

𝜎11 𝜎12 𝜎12

Σ= 𝜎 𝜎22 𝑝12 =
12 𝜎11 𝜎22

Procesos estocásticos
Ejemplos : Ejemplo 2.

La pdf conjunta de (X,Y) viene dada por :

1 1
𝑓𝑋,𝑌 (𝑥, 𝑦) = exp − 𝑞 𝑥, 𝑦
2𝜋 1 − 𝑝2 2
donde
1
𝑞 𝑥, 𝑦 = 𝑥 2 − 2𝑝𝑥𝑦 + 𝑦 2
1−𝑝2
Hallar la pdf marginal de X.
∞
𝑓𝑋 𝑥 = න 𝑓𝑥,𝑦 𝑥, 𝑦 𝑑𝑦
−∞

Procesos estocásticos
Ejemplos

1 1 1 2 − 2𝑝𝑥𝑦 + 𝑦 2
𝑓𝑋,𝑌 𝑥, 𝑦 = exp − 𝑥
2𝜋 1 − 𝑝2 2 1 − 𝑝2

1 1 1 2 2 2 2 2 2
= exp − 2
𝑦 − 2𝑝𝑥𝑦 + 𝑝 𝑥 +𝑥 −𝑝 𝑥
2𝜋 1 − 𝑝2 2 1−𝑝

1 1 1 2
1 𝑥2 2)
= exp − 2
𝑦 − 𝑝𝑥 − (1 − 𝑝
2𝜋 1 − 𝑝2 2 1−𝑝 2 1 − 𝑝2
aplicando la formula de la pdf marginal
∞
𝑓𝑋 𝑥 = න 𝑓𝑥,𝑦 𝑥, 𝑦 𝑑𝑦
−∞

Procesos estocásticos
Ejemplos
1 1 1 2
𝑥2
= exp − 2
𝑦 − 𝑝𝑥 −
2𝜋 1 − 𝑝2 2 1−𝑝 2
aplicando la formula de la pdf marginal
∞
1 1 1 2
𝑥2
𝑓𝑋 𝑥 = න exp − 2
𝑦 − 𝑝𝑥 − 𝑑𝑦
−∞ 2𝜋 1 − 𝑝2 2 1−𝑝 2
∞
𝑥2 1 1 1 2
= exp − න exp − 2
𝑦 − 𝑝𝑥 𝑑𝑦
2 −∞ 2𝜋 1 − 𝑝2 2 1−𝑝
𝑠𝑖 𝑢 = 𝑦 − 𝑝𝑥 → 𝑑𝑢 = 𝑑𝑦
∞
𝑥2 1 1 −𝑢2
= exp − න exp − 2
𝑑𝑢
2 −∞ 2𝜋 1 − 𝑝2 2 1−𝑝
Procesos estocásticos
 Ejemplos

Se conoce que
∞
1 1 −𝑢2
න exp − 2
𝑑𝑢 = 1
−∞ 2𝜋 1 − 𝑝 2 2 1 − 𝑝
Entonces
∞
𝑥2 1 1 −𝑢2
exp − න 2 exp − 2
𝑑𝑢
2 −∞ 2𝜋 1−𝑝 2 2 1 − 𝑝
𝑥2 𝑥2
exp − ∞
1 1 −𝑢2 exp −
2 2
= න exp − 2
𝑑𝑢 =
2𝜋 −∞ 2𝜋 1 − 𝑝 2 2 1 − 𝑝 2𝜋

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Ejemplo 3
Una muestra de un ruido está representado por el vector aleatorio 𝑋1 , … , 𝑋𝑛
que tiene pdf conjunta
−0,5 𝑥1 2 +⋯+𝑥𝑛 2
𝑒
𝑓𝑋1,…,𝑋𝑛 𝑥1 , … , 𝑥𝑛 = 𝑛
2𝜋 2
¿Son 𝑋1 , … , 𝑋𝑛 v.a independientes?

1 𝑛 2
− σ 𝑥
𝑒 2 1 𝑖
𝑓𝑋1,…,𝑋𝑛 𝑥1 , … , 𝑥𝑛 = 𝑛
2𝜋 2

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Ejemplo 3

𝑛=2
1 1 1 1 1
−2 𝑥1 2 +𝑥2 2 −2𝑥1 2 −2𝑥2 2 −2𝑥1 2 −2𝑥2 2
𝑒 𝑒 𝑒 𝑒 𝑒
𝑓𝑋1,𝑋2 𝑥1 , 𝑥2 = = =
2𝜋 2𝜋 2𝜋 2𝜋
1 1
−2𝑥1 2 −2𝑥2 2
𝑒 𝑒
𝑓𝑋1 𝑥1 = 𝑓𝑋2 𝑥2 =
2𝜋 2𝜋
𝑓𝑋1,𝑋2 𝑥1 , 𝑥2 = 𝑓𝑋1 𝑥1 𝑓𝑋2 𝑥2

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Ejemplo 3
𝑛=3
1 1 1 1
−2 𝑥1 2 +𝑥2 2 +𝑥3 2 −2𝑥1 2 −2𝑥2 2 −2𝑥3 2
𝑒 𝑒 𝑒 𝑒
𝑓𝑋1,𝑋2,𝑋3 𝑥1 , 𝑥2 , 𝑥3 = =
(2𝜋)3/2 (2𝜋)3/2
1 1 1
− 𝑥1 2 − 𝑥2 2 − 𝑥3 2
𝑒 2 𝑒 2 𝑒 2
=
2𝜋 2𝜋 2𝜋
1 1 1
−2𝑥1 2 −2𝑥2 2 −2𝑥2 2
𝑒 𝑒 𝑒
𝑓𝑋1 𝑥1 = 𝑓𝑋2 𝑥2 = 𝑓𝑋2 𝑥2 =
2𝜋 2𝜋 2𝜋
𝑓𝑋1,𝑋2,𝑋3 𝑥1 , 𝑥2 , 𝑥3 = 𝑓𝑋1 𝑥1 𝑓𝑋2 𝑥2 𝑓𝑋3 𝑥3

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Ejemplo 3

1
−2𝑥𝑖 2
𝑒
𝑓𝑋𝑖 𝑥𝑖 =
2𝜋
𝑛

𝑓𝑋1,…,𝑋𝑛 𝑥1 , … , 𝑥𝑛 = ෑ 𝑓𝑋𝑖 𝑥𝑖
1
Por lo que (𝑋1 , … , 𝑋𝑛 ) son independientes

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Simulación 1
Graficar en Matlab la pdf de la distribución normal 2D con parámetros 𝜇 = (2,5)
y Σ = 1 0,7; 0,7 1 . Adicionar el gráfico de la cdf

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Simulación 2
Generar 1000 números aleatorios en Matlab con los parámetros anteriores y
comparar los gráficos

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Función csevalnorm

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Simulación 3: Función csevalnorm
Graficar en Matlab la pdf de la distribución normal 2D con parámetros 𝜇 = (0,0)
y Σ la identidad

Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Simulación guía:
Función csevalnorm

1. Obtener muestras de estatura y peso de los integrantes de una clase de

estocásticos.
2. A partir de los datos escrutados determinar la covarianza y la media.
3. Generar un vector (x,y) que sea un meshgrid de la varible peso con
muestras entre 40-80 y de la variable estatura con muestras entre 140-
180.
4. Con el uso de la función csevalnorm(X,mu,cov_mat) obtener la función Z.
5. Utilizando la función reshape() graficar la distribución de peso/estatura.
Procesos estocásticos
 Variables aleatorias multidimensionales

Distribución Normal Multidimensional

Videos recomendados
• Distribución normal bivariada
https://www.youtube.com/watch?v=CD-garsSYd8
• Distribución normal multivariada: conceptos y parámetros
https://www.youtube.com/watch?v=uTOYAu6OfF0
• Multivariate Gaussian distributions
https://www.youtube.com/watch?v=eho8xH3E6mE
• Generating multivariate normal random variables
https://www.youtube.com/watch?v=I46JuWBHXjc&t=63s

Procesos estocásticos
Bibliografía

• LEON-GARCÍA, A. Probability, Statistics, and Random Processes for

Electrical Engineering. Pearson Prentice Hall, 3ra edición.
• HSU, H. Theory and Problems of Probability, Random Variables, and
Random Processes. McGraw-Hill

Procesos estocásticos