Documente Academic
Documente Profesional
Documente Cultură
Pugachev
ala Teora
de las Probabilidades
B. c.
n~rA'IEn
BBe.n;emre
B TOOpmo
BepORTHOCTei
V. S. PUGACHEV
Introduccin
a la Teora
de las Probabilidades
CDU fi l!l.21=60
Traducido del
m~o
por
A. Sa1uojvlov
lmpre>"<> en In
vnss
1973
022:\-28t,
ou (01)-1:1
~fir.
!9711
Contenido
Pr6"1110 . . . . . . . . .
Cap f1ulo J. Probabilidad d~ un aconcimienlo . .
~ 1.1. Objeto de la Teorla de las Probabilidades. Significado do
los m&todos ostadlstlcos . . . . . . . . . . . . . . . .
1.2. Fund amentos experimentales de la 'l'corln do las Proha.bli<iades
. .. .. . . . . . . . . . . . ..
1.3. Probabilidad ael uconlecimiento y sus 11ropicclades
1 k Ropetiejn do los experimentos . . . . . . . . . . . . . .
Capitulo 2. /lfa11t.1 ud., alratol"lns . . . . . . . . . . . . . . .
2.1. t'uncin de d istribuci n y densidad ele probabilidad de una
magDilud alca\oria . . . . . . . . . . . . . . . . . .
2.2. Aplicacin de 18!1 u11clo11es impulsivas y gencralizaci6o
de la nocin de d cnsida1l de prob:ibilidad . . . . . . . .
2.S. Momentos de una magnitud aleatoria . . . . . . . . . .
2.4. Func.in carar.toristlca de una magnitud ~ lntnria
2.5. Ley normal du distr ih11ctn (I,ey de Ga11~s) . . . .
:t.U. Ley de Poisson . . . . . . . . . . . . . . . . .
Capitulo 8. Magnitudes aleaturlas 11tcl(lrfale$ . .
3.1. Funcin de distribucin y densidad do probnbilidail de un
vector aleat.orio . . . . . . . . . . . . . . . . . . . .
3.2. Funciones condicinnolcs de distribucin y tlen.!idades condicionales de la probabilidad . . . . . . . . . . . . . .
S.3. Leyes de distribucin de las fttnciones ele magnitnd~s alc.1t<>ri a~
3.4. Momentos de un ver.t.or alonto.rio . . . . . . .
3 . ~. Puncin cMacterlst ka de un vector aleatorio . . . . .
f\.6. Lny normal bidimensional ue d istribucin . . . . . . .
!-1.7. Magnitudes nlentoriM complojas . . . . . .
.
laci6n . . . . . . . . . . . . . . . . . . . . . . . .
3.10. Determinacin de loMm1ime111os do l as funciones do las magnitudes alt>aL<>riu . . . . . . . . . . . . .
:u l. DistriLuciu nor mal polidimen~ional . . . . .
Capittcfo 4. Cara<l.rstlc<ts dt /unciones aleaiori11J . . . . .
4. l. Leyes do distriL11du d~ una magnitud fllentori:i . . . .
lt.2. l~speranza malcm:tica y funcin correlatha do una fondn
aleatoria . . . . . . . . . . . . . . . . . . . . . . .
~ 4.3. Propiedad.is do la fu11r.i11 correlativ11 . . . . .
4.4. Func.in <:Ol'rolaliva recproca y sus propieJRtl~s
~ '1.f> . Adicin do fu11r.ir111cs nleat,.Tins . . . . . . . .
4.6. Derlv~c1n de 1111~ fnur.i{m a)()atorla . . . . . .
4.7. Integracin de una fundn aleatoria . . . . . . .
i 4.8. Secuencias Hlentoriu. Procesos aleatorios mark<1vi:inos
7
11
13
25
35
39
80
87
!19
iO'.l
115
t!Q
124
1~7
1al
137
t ~O
l f>~
15f>
15\)
11'l
176
180
181
HlS
188
6
Capitulo 5.
Funcl11rt~1
alt:atorias uiaclonaria.r
. . . . . . . .
Hl3
eslac.iouarins
. . . . . . . . . . . . . .
, -
(l.~. Con~uuccill
a/,atorlas
. . . . . . . . . . . . . . .
<D (1.i)=
112n
262
21i8
2.H
'..!78
2!I
284
291
2!l:>
298
298
31)"
306
3l2
316
316
322
Prlogo
Pr6lo110
PrlOf!o
estacionarias ergdicas. Se expone tambin el mtodo de determinacin de las esperanzas matemticas y funciones correlativas, basado
sobre la diferenciacin de sus realizaciones obtenidas experimentalmente.
El libro est destinado a los estudiantes de los centros de enseanza tcnfoa superior, los postgraduados e ingenieros que deseen conocerla Teora de los Probabilidades en el volumen necesario para el
estudio de los fundamentos de la Teora de Procesos de Mando, lo.s
princi pos tericos de la Radiotcnica, la Teoria de precisin de los
dispositivos de medicin y de clculo, la Teora de Informacin y la
Teora de Comunicacin.
Para alcanzar Ja finalidad prefijada, el autor trataba de incluiren el libro solamente lo requerido para comprender los fundamentos.
de las materias arriba mencionadas, evitando todo lo superfluo, es
decir, lo que no halla uso directo en estas asignaturas. Esto explica
tambin la ausencia en el libro de una parte tan amplia e importante
de In Teora do las Probabilidades como la ley de grandes nmeros
y los tcore111as lmite. Solamente sobre ejemplos elementales se demuestran dos teoremas principales simples, referentes a la ley de grandes
nmeros y se revela el sentido de esta ley y su importancia para
las aplicaciones prcticas de la Teora de las Probabilidades.
El libro contione gran cantidad de ejemplos que ilustran el uso
prctico de los mtodo; de la Teora do las Probabilidades. Muchos
de estos ejemplos se torn an dircct.amente de aquello8 campos de la.
tcnica para cuyo estudio el libro prepara al lector. Tales ejemplos
dan al loctor los conocimientos necesarios para el estudio posterior
de la1< aplicaciones Lcrdcas especiales de los mtodos estadsticos
Los lectores que deseen conocer la Teora de las Probabilidades en
menor volumen pueden omitir algunos captulos y prrafos.
Asi, por cjompJo, los lectores que deseen estudinr slo los conceptos principales de la Teora de lns Probabilidndei; y ele la Estad stica Matemtica pueden limitarse 1\ leer los primeros tres captulos y los primeros <los prrafos del octavo captulo. En este caso
se pnedeu omitir los 2.4, 3.5 y 8.11.
Los que deseco estudiar solamente los conceptos fundamentales
de la Teora de las Probabilidades y tener una idea de las funciones
aleatorias pueden aadir a los capitulos y prrafos citados los primeros cuatro prrafos del cuarto captulo.
10
Pnlo{lt>
S . P 1igachev
CAl'fTULO 1
Probabilidad de un acontecimiento
12
13
Ca p. 1 P robabilidad dt un aeonlccin1itnlo
escribir
P (A) =~
11
(1.2.1)
1.
(1.2.2)
Llamaremos tncompo.ttbl6s, en el experimento dado, a doi; ucontecimiento A y B, si en este experimento la produccin de ullo de
ellos excluye la aparicin del otro. Do ejemplo puede servir el in1 pacto
o el follo al producirse un solo tiro. Es necesario seiialar que la nocin
de compatibilidad o incompatibilidad de acontecimientos siempre
est relacional.la con qu experimento precisamente se tiene en cuenta.
Los mismos acontecimientos A y B pueden. resultar in complllibles
en un experimento y compatibles en otro. A.si, por ejemplo, el impacto y el follo son acontecimientos incompatibles, si el experimento
consis te eu producir 11n solo tiro y son compntibles si In pruebn ]lrev
vario.!! tiros.
Abora bien, supougumos que los acontecimiontci!\ A y B sou
incompatibles en el experimento dado y que sta se repite n vece.
S11pong11mos que para nosotros no tiene ninguna importancia, cul
ser el aconteciJniento que llegnr: A H. Con otrns palabras. no~
interesa un acontecimiento compuesto que consis te en q11e ocurra
el acontecimiento A o el aconteci miento B , indiferentemente de
cul de ellos precisamente. Supongamos q11e en calidad de exierimento compramos un billete de loter a con el fin de ganar uro coche
o una moto. Sea el acontecimiento A la ganancia de un coche y el acontecimiento B, la ganancia de una molo. En este caso nos interesa 1111
acontecimiento compuesto que consiste en que ganarem.os un medio
de transporte, indiferentemente de cul de ellos: uri coche o uno moto.
E s evidente que, en este caso, Jos acontecimien tos A y B son incompatibles, porque un billete pl!ede ganar un solo premio.
Supongamos que como resultado de n Oi!:perimentos se produjo
m veces el acontecimiento A y l veces el acontecimiento B. Por consiguiente, el acontecimiento compuesto t A B se produjo m + l
veces y su frecuencia es igual o
P (AoB)= rn.+l .
11
(1.2.;i)
.~
15
(1.2.4)
Fig. 1.2.i.
Fig. 1.'.l.2.
.P ("~ A1) =
i= l
1l
Lo P (A).
i.:....t
(1.2.Ci)
16
En algunos casos, :>urge la uccosidnd de examinar varios acontceiroienlos 011 correlacin, por ejemplo. cuando hay que determinar,
cmo iortuye la aparicin o no aparicin de un uconLccimicnto sobre
la frecuencia del surgimiento do otro. En este caso, ndems de la
frecue11ci11 del acontecimiento /1, para toda la serie de experimentos
realizados, se calc11la tambin la frecuencia del acontecimiento A
teniontlo en cuenta slo aquellas pruebas q:ue han llevado a la produccin de otro acontecimiento .8 que .nos interesa. Con otras palabras. aritos de determinar la frccucncin del acontecimiento A se
seleccionan slo aquellos e.'l:perimcmtoR en Jos que ha sucedido el
acontecimiento B siJt tomar en consideracin los clcms. La frecuencia riel acon tecimiento A calculada slo po ra aquellas pruebas ea las
que ie ho producido el acontecimiento B se llama frecuencia condictonnl del ucoutecimicnt-0 A con respecto al ncontccimiento B y se
designa por p (A 1B). Si nl efectuar n experimentos el acontecimiento B ha sucedido l veces y eJ acontecimiento A ha sucedido junto
con el ncontecimieot-0 B k veces, entonces la frecuencia condicional
del 11contecimieuto A con respecto 11 8 es igual n
11
P (A 1B) = T .
(1.2.7)
P*(AJB)=P~(;)B).
(1.2.8)
P (A y n)
P (A)
(1 2 9)
.
l 1.2. Pundamentos
e,r.perimenta,le.~
li
pondientes. Valindose de la definicin del producto de acontecimientos, el aconteaimiento .A y B1> se puede presentar cmo el
producto AB. Entonces el teorema de m ultiplicacin de frecuencias,
expresada por la frmula (1.2.10). se escribir en la forma
p (AB)
p (A) p (B 1 A)
p (B) p
CA
1 B).
(1 .2. fi:)
(jJ
Comparando la frecuencia condicional del a.contecir.nient o A respecto al B con la del acontecimiento A tomada en tod' l serie de
experimentos efectuados (lla mada corrientet.nente
incondicional), se puede estimar la correlacin
de los acontecimientos A y B. Si al realiz'ar un
gran n mero de pruebas l a frecu encia condicional
8
A
jfl-:..
tlel acontecimiento A respecto al B es aproximadameute igual a la incondicional del acontecimiento A, esto quiere decit- que el nmero to tal
de veccti que sucede el nco11 tecimieot.0A se divide
ms o rnenos proporcionalmente entre aqu ellos
Fig. t.:i .:i
experimentos en los que el acontocimiento B se
ha producido y ncu e!los en los que ste no se hn prod 11ch)(i. f;Lo
puede :iervir corno indicio de que el acontecimiento A no d cpcutle
del B. Si la frecuencia condicional del acoutecimicnt.o A respecto al
B se diferencia considerablemcrJtc do la frecuencia inl'.ondicional
<lcl acor1tccirn iento A, esto puede servir ele indicio dl:l q11 u hay
cier ta relacin en tre l os acontecimientos A y B.
Aplicando el mtodo de induccin 111atemtica, St> puede extender el teorem11 de multiplicacin de Irecuencius par!l un 1rmero
arbitrnrio de acontecimientos. Como resultado se obtiene que
p (AiA2 ... An) =
= p (A,) P* (Ai 1A,) . . J> (An 1A 1A2 . '. An-1)
(i.2.12)
cou ello, el orden de numeracin de los acontecbn icut.os no tiene
importancia y puede ser estahlecido arbit rariamente.
Ahora bien, pasemos al problema cl el e~tudio experimental de
magui tuues aleator ias. De acuerdo con la defi nicin general dada,
~e ll11111a aleatoria toda maguitud que, como resultado de un experimento, no toma ms que un valor cualquiera, y como res11l tado de
varios experimen tos, puede tomar valores tliferentas. Calln valor
que mede ser tomado poi- la 111ng11iiud aleatoria, como cousecuencin
del experimento, se llama s11 valor posible. Designaremos a las mag nitudes aleatori as con letras maysculas, principalmente con las ltimas l eLras del alfabe to lalino, y a sus valores posibles, con las minsculas correspondientes. Por ejemplo, a l as magnitudes aleatorias la~
designaremos con l as letras X, Y, Z y s11s valores posibles , con las
letras x, y, z respectivamente. Con t oda rn agnit.ud aleatoria X so
18
---------------------.---___.
1
--
,- -
'I
1
1
1
1
1
1
1
' :1
-t1
1
1
1
fig. i.2.4
se
-~
19
"
mx=n
1 "''
.c.i X .
(1.2.15)
i =1
" nr
l,
"
mx = .'-J
(1.2.16)
r=I
Ca>. 1 Probabilidad de
20
1111
acont-.t:lmint1>
ces, como caracterstica de la dispersin de los valores de la magnitud aleatoria X en la serie dada de experimentos, se obtendr la magnitud
"
D*=~
~ (x --.,.")~
':t'
u,,J'
~,
(i.2.17)
,,_ t
(1.2.18)
ic: I
.0:= ~ ~ (a,-m~) 2
(1.2.19)
r-1
~.n
M lps puntos x 1,
ni:=;
x;F (x 1),
i- 1
(1.2.20)
(1.2.21)
!=1
'
21
1
1
13
12
r
x
7 ,7
1.,2
11,0
"
I . i
5 ,6 1 .7
.14
15
5.8
2,0
-17
l l
6,5
5,9
4.!)
5 ,1
ll,1
li.4
;r
3.2 1
!l
1 ,I~
4,3 1
1
5.:~
,.1.9
Zo .
1
1
~;6
4 ,81 5 ;2
18
l;
...
FtrJ
1
_---!
...-+ 1
J1 1 1
...J: 1
~ol J
.,
:ti
~JI
1I
11
1111 1 1
ll 1 1 I
1 11 1 1 '
~ )!11 1
..1 l 111 1
11111
111 11111
111 1111 1
11 1
111 11 111
.-11
:u::
1 11'
J 11 1
111 1
1 11 I
1111
1 11 1
1111
'"
11
11
11
11
11
11
11
!
:r
Fig. 1.2.5.
" 97,\J
49
D-'< ~ 36,8
20' ~ 'l,,>.
mx = 20 ::::: ' ,
PD
el
1.-;, ={ ~ (x; -
,_i
m: )(y1-m;).
(1 . 2.22
En esta frmula x,. y 1 son los valores que han tomado las magni
tudes aleatorias X, Y como resultado del Hsimo experimento (t =
= 1, . .. , n) y m~.
son los valores medios aritmticos de las
magnitudes X, Y:
mu
i ~
m~=11
Yt
{1.2.23)
.~
,,,.s
o
. . . ..
. :..::.
-
... .: : .
m;
Fig. 1.2.U.
.r
Fig. 1.2.7.
'.M
\l
1) . 8
J, !)
j-0.2
-0 ,!l
....~......~~o1=~=
~,~.;...~..,.~~"*"~-=i==~=:=~~~~=?~~
v.
11
;r:
1.11-:l..'1 [-0,812.71
Yt
l- 1.:i -1.1
'11
13
15 1 rn
1s
rn
- - - - - - ' ' - - - - -!
- 0,1
}{ , l'
~i rvi 11clo1111~
211
u l1?0lCll'i1\S
mx=~;.v-
01
,
- 2,1 ::::::: - 01
,
r1i, = ~
~u~titll)'llll<l\l esto:; valoi~s y los valor~s tomad1~ por las mag11ituJcs al~u
to rin X. Y. como rcsu lt;1do de los exp.,rimcnlos cxami 11 a1los, cu lns 16,-mulas
.
ir:
' 20
51)
100
100
Fig. i.2.9.
Fig. l.2.8.
y su momm1to coirelativo
o~l3dstieo:
21 , t
J 1
':r11""20""'
.. .
k'
ne c~1' 111od1i, en el caso dado hay razn para cou~id~rar a las magnitudes
slual<>riAS X , Y r.omo oula?.nd as p<ir cierta dcpundonc1a.
e,xperimen~os
25
y des-
'26
Cap . 1 Probabilidad de un
11r.011tec!rnlenlu
27
Las probabilidades de acontecimientos, como nmeros que representan irecuencias tericas de acontecimientos cerca de las cuales
tienden a e:s~abilizarse las frecuenci as reales al aumentar indefinidamente el nmero de pruebas, deben poseer toda.s las propiedades de
las frecuencias. En particular, en virtud del teorema de adicin de
frecuencia, demostrado en el prrafo anterior, se admite el siguiente
principio de adicin de probabilidadu: la probabilidad de produccin
de uno de los acontecimientos incompatibles, no importa de cul se
trate precisamente, es igual a la suma de probabilidades de los
mismos:
(1.3.2)
P(A 1 + Ai+ .. . ) =P (A1) + P (Aa) + ...
Este principio se admite tanto para un n mero finito cualquiera
de acontecimientos A 1 como, en el li mite, pata un conjunto numerl\ble de acontecimientos A 1).
Se dice que los acontecimientos E1t ... , E,. forman un grupo
complcki, si, como resultado del experimento, se produce obligatoriamente u no de olios, por lo menos, es decir, si la suma E 1
E2 +
+ .. . + En representa un acontecio1iento cierto. De esta definicin y del pri ncipio de adicin de probabilidades so deduce que la
suma de las probabilidades de los acontecimientos incompatihles
que forman u n grupo completo es igual a la un idad:
(1.3.3)
Dos acontecimientos incompatibles que forman un grupo completo
se llaman contradictorios. A todo acontecimiento A le corresponde
un acontecimien Lo contradictorio A q11e represent a la no produccin
del acontecimiento A. De (1.3.3) se desprende que la suma de l as
*) Se !luma numtrablt el conju nto ininilo cuyns elementos se pueden
numerar {es decir, poneT en cnncordnnnia 1!0 0 c11ila olcmrnt-0 nn nlmero ent.e-ro
de modo cue a di5t111tos elemenl.05 l es c;orrespond an n(uncros entoros <llfcronte.,) .
Un conjunto infinito cuyos el emenl<>s no so puo1lon llevar a I:> con"eSpondcrie;a
biunlvnca con los nmeros enteros i;e ll a1nn 110 nlmerablt.
28
Ca p. 1 ProbabilUul de un aconletimitnla
= ~ P (E1) =
~ .
(1.:1.5)
.-1
So llaman casos los acontecimientos incompatibles equiprobubles que forman un grupo completo. Se dice que el caso E 1 favorece
a,l acontecimiento A si, unn ve7. sucedido, este caso lleva a la prorhiccin obligatoria del acontecimiento A y desfavorue al acontecimiento
A, si, una vez sucedido, este caso excluye la posibilidad de aparecer
el acontecimiento A. La frmula (i.3.5) muestra que si por ra7.ll
de simetra de los resultados de la prueba non esta ltima se puerle
ligar un sistema de casos tal que unos de ellos favorecen al acoutecimiento A y otros le desfavorecen, entonces la probabilidad clel
Rcontecimlento A es Igual a la relacin del nmero de casos favornbles al acontecimiento A, al nmero total de los mismos.
EJrmplo 1.3.1. Al lanzar llDn moneda u11a sola V(l1 son pogibles dos casns :
la Mlidn ilo.1 csc.111:lo y In ~elida de la c.ifra. Uno dr ell M f:woroce la apnir i6n
del l"IC11do. Por lo tanto , In probabilidad de quo salga el ~l!(' udo r.s igual a 1/2.
propfodo.de.~
29
Ejemplo 1,3.Z. Si se arroja una solo. ve1. un dado, hay seiscasos diferente~:
la salida del& cara del uno, el dos, el tr9s, ~l cuatro, el ci.nco y el sei~ .. t;>.~ellos
<los casos favorecen al aconteclmielltO A que consiste en la salida del .nmero
d o puntos n'ltiplo de t~s y tres casos favorecen a la aparicin del ~e<111ted.
mi~nto B , o sea, a la salida de un nmero par de puntos. P.or consiguio1\tc ; 'la
probabilidad de que se obtenga un nmero. do puntos- mltiplo de tres es igital
a 2/6= t / 3 y la probabilidad de obtener un nmero par de puntos equ_ivalo
a 3/6 =1/2.
Ejemplo t .il.3. En uria urna hay 12 bolas ig1iales que '!lo se distinguen eo
nada a t iento. De ellas 5 !x>lns son negras y 7 blancas. Hallar la posibil iClad de
que la bola extritda al n?.ar de la urna sea blanca. En oste ca.so, le .pruel}n:,cPnsiste en saca\ una sola bolu. y contiene 12 !)aso~, de ello~ 7 fov.or~on.h saida
de u.na bola blanca. Por lo tanto, la :probabilidad de quo se cictrnig1< 111\a bO~n
blancl\ equivale a 7/ 12.
PP<1:,)
(1.3.6)
De uo mod.o semejante se detorruina lri prolrnbilidarl del aco ntecimiento B con respecto a A.
L a definicin de la probabilidad condicional de un aco ntecimiento expresa al principio de multiplicacin d~ probabilidades que dice:
La probabilidad de la prod11ccin conjunta de dos acontecimientos
es igual a la probahli<lad de uno de ellos mlltiplicado por Ja probabilidad conclicionnl del ot.ro con respecto al primero:
P (AB) = P (A) P (B 1 A)= P (B) P (A IR).
(1.3.7)
Aplicando consecuentemente el principio de multiplicacin de
probabilidades, llegamos a la conclo,5in que para toclo nmero 1l c
acontecimientos A 11 A 2 , . ., An
P (A 1 A.2 . An) = P (A1) P (A2 1 A1)
... P (A,. 1 A1A2 . A,._ 1 ),
(1. 3.8)
con ello, el orden de numeracin de estos acontecimient.o:;
importancia.
110
tiene
A,._,
prlloba c.oosiste en (ruede la urna !!O extrae una bola y so anota su color, despus de lo r.ual la bola se mete de nuevo en la urna. Una vez mezcladas las bolas,
de Ja urna vuelve a sacarse una bola. Hallar la probabilidad do quo ambas veces
sen extraldR una bola blenc.a .
,Llamemos aconiecimiento A a la salida de una bola blanca la primera vozY. acontecimiei:itQ B; a su salida la segunda vez. Es evidente, que tanto en la
prim~ra sacada corno en 11! B-Ogunda hay 12 casos de los cuales 7 favorecen la
slida i:le una 'bola blanc.a. Por consiguiente, en el caso dado P (A) = P (B) =
= 7/121 P (B 1 A)= P (A 1Br= 7/12. Por eso, basndose en el principio
de multiplicacin de probabilidades
7 7
49
P (AB)=P (A} P (B I Al=12 12=m.
3'1:
Si la primera oola e:>."trada resulta ser negra, la prohabi.Jidad de sacar una bol'
blanca c11 la segunda sacada (es decir, la probabilidad condicional dol .acoutecimiont<> B con respoct<> al A) us igual a 7/1:1. De este modo, Ju probabilid.a d
de que salga una bola blauca la segund11 vet aqu depende cousidor11hlemel)~
de cul ha sido la bola extrada la primera vez: l' (B 1 A) .. P (B). l'or lo tanto,
los ncoutecimit>ntos A y B son oo e.'te caso dopendientes.
La:s operaciones de adicin y de multiplicacin de acontecimientos poseen algunas propiedades caractersticas de la adicin y la
multiplicacin de nmeros. Por ejemplo, la suma y el producto delos acontecimientos A y lJ no dependen del orden en que se toman ~
A
B = B +A, AB = BA .
Las operaciones de acliciu y multiplicacin de acontecirnientos
son asociativas:
(A
+ B) + e = A + (B + C) = A + B + e.
(AB) C = A (BC)
ABC.
+ B)C =AC+Bc.
Cap. 1 Probabilidad
d~
un acon/rclntitnto
Sean A y lJ dos acontecimientos cuahisquicr o, A y B, los acontecimientos contradictorios correspondlntes. Es fcil vor quo
A+ iJ rcpresenLa un aconteci mi ento contradictorio a la produccin
conjunta de A y B:
/ lJ = (AB).
"
~
1- 1
A y B:
Y cu gcnoral
n
"
Ir A1 = (LA;).
,_ ,
i:.w- 1
+B
Por eso
.4 = A (B
re>resen~a
+ R}
AB
A .
B = AB
+ AB.
A+ B=AB+AB+AB+AB=AB+AB+ AB.
.<
e~cnbir,
prnpiedade~
(13
probabilid~des
+ P (AB),
+ P (AB),
P (A)= P (AB)
P (B ) = P (AB)
1111
"
n
," E) = P(~AE,).
1-1
i= I
,_,"
P(A)- ~ P(AE1).
se
(1.3. 10)
i-=l
11na seal Lll es igual a p. C..a probabil)da<t d e que no se revclo la soiial 1'il.il
en el c nso en que La se conl.cuga nn la sc lul rf'Clbida e~ igual 11 a y la pr11hnbilidad de considerar t!rrncamenle rovu)ado una scfial til en el caso <l ll quu
se recibe $nlmnenLr; un n1id<> e$ igual o ~. lhll~r la probal1lidad 111u d
problema clo revelacin de una dial \lll $0 resuel va incnt'rectamrntc y la p10
babiliclnd dr 1111a resolucin com~cta. Bn el ca~o en cuestin 'I aco11l<>ci mil11to
A es 11n11 rcsolucn errnea. ul acnotecim icntn K , reprP~('Jta la prc,.,ncio de la
~l!i1al til Pn la sei\al de radio que so ree ihe y el acont cdmiento E:. la :i1m~ndn
de la Sl'HI 1otil (es rlecir, la re<:c pcin de so lo ruidn). Segn los 1latns, P (e 1) = p.
P (A 1 E,) = a. P (A 1 E,)
~ ~.
Adem~ .
""
1!1 y 6, 5011 i11cornratihle<"1 y fnrman un gruri t<>tal (M dedr. "'" r.lr rnsn
COntradr.torloS), p (I: , ) = 1 - p. i'or C"ll~igniPnle , Aplirnndo )a frmul a d e
3 - 0~38
34
P (A) = P (E1) P (A
1E1)
+ P (E,) P
(A
1E~)= pa. +
(i -
p) ~
Pcorr=P (A)=1-P(A)=1 - pa-(1-p)~f,a 1ubma frmula puede ser obtenida aplicando directamente la frmula de
probabilid ad toLal.
Ejemplo La.8. La probabilidad de Llegar a una central telefnica k llama
do.s durante un intervalo de tiempo t es igual a Pt (k). Los acontec:imicntos que
consisten en Hogar k llamadas en un intervalo de ti~mpo y l llamadas en otro
intervalo de tiempo cualquiera que no va recubierto por el primero, son inrle
pendientes, cualesquiera que sean k y l. HaUar la probabilidad p 21 (n) de que
durante el intervalo de t iempo 21 lleguen n llamadas.
Designemos por A la llegada de n llamadas durante el lnte1v:1lo de timn
po 2t. Supougamos que el acontecimiento Eh consiste en haber exactamente k
llamadas en la primera mitad del intervalo de tiempo indicado, con ello, segn
los datos, P (E~) = Pt (k) (k = O, 1, .. ., n). Es cvideute q \ 10 para que se
produzca el acontecimienw A a condicin de que tenga lugar E1., es neeesario
que en la S<>.gurorla mi tu~ del int~valo do t_ic mpo ~I lleguon n - k lla"!~..ia~.
Por ]() tanto, P (A 1F.h) = Pt (n - k}. A;hc.andQ In frmula de prohabdulad
total, Jinllamns
n
P(E~ I A)=
: (E_k)P( A f Ek)
(1.3.11}
~ P (E1) P (A I E;)
""'1
~)
f~rqiu1a o
35
Ejemplo 1.3.9. 'FeDiendo los mismos datos:que, eo el. ciemplo f..3.7, s'lipon~
gamos que la sefl~I ..Je radio reci.bide, ha sido .tratada ior un di,s positiv? radio;
rceceplor, Y. la seual tratada ha supora,clo el mvel de umbral da:do, debido lo
cual el sistema de deiecciil ha decidido que lai;eal til' est present. Hllar
la probabilidad de que la siil til efootivamente :est presenta y 1n probabh
lidad de que sta est aueente.
.
.
, . .
.
En el .caso .en cues'tin:teDemos .los. mi.$mos .acontecimientos .E, y E11.que
1
eii e,l ejemplo t.3. 7. ~I ac<;i~(ecii:D_iento 'A es .el.hecho d iU:~ 1(~81 ir~(ada:'..P."or
el sistema de detecctp baya superado el niv~l de umbral..,.Segn los:da.t os' dl
e)emplo;Ja probabilid'a d de "dec1.d it' quo 'Ja, seal til se :tiene; en'e l i;aso)le,su
presencia ~n la ~al recibjda (es decir, la pobabilidaq d4 la so!uci,n }ust~
en es~e caso) es igual a. 'P. .(4 1E 1) ~ 1 - d y 18. proba~ilidad' d(deeiair. q~
ta seal 'tff est presente in 1)1' aso de la 'tc'epcl6:0 de soJo rid'O'> eqtilvaJ, a
P' (A 1 E 2)
jl. Por eeo, aplicando la frmula de Dayes (1.3 ..11), ballam'0s
p (1-a)
p (E1 \A)
P(E~IA)
(1-a)+(t-p) ~.
(1-p)jl
p (t-a)+(t-p) jl'
11 priori- loe. lat. que sig1fica que viene aotes., o sea a11tc~ de la
prueba. A posteriori, que viene despus, o sea, despus de 111 prueba.
3;
37"
la
R11..n -
11
~ Pm.n= ~ C!;pmq"-"'.
~
(i.4.2)
m-,.A
h-1
m.-0
ma-0
(1.4.3)
En particular, esta frmula ofrece l a siguiente expresin de 111 probabilidad de que nparezca por lo menos un acon tecimiento A:
R 1 , n = i - q".
(1.4.4)
Esta frmula puede ser tambin obten ida co11 facilidad directamente observando que la probabilidad de no producirse el acontecimiento A al realizar n experimentos es igual A cn segn el teorema
de multiplicacin de las probabilidades de acoo tecimientos independientes. La probabilidad de suceder el acontecimiento A una vei,
por lo menos, como la probabilidad del acontecimiento contrndictorio a la 110 produccin de aqul, se determin11 restando q" de la
unidad.
Es evidente que l a suma de todas l as probabilidades P ,. , "
(m = O, 1, ... , n) es igual a la unidad, como suma de proba bilidades de los acontecimientos incompatibles que forman un gru po
completo. Esta tesis puede ser tambin demostrada ohservando
que la suma de todas las e.xpresiones (1.4.1), segn la frmula del
q)" = 1".
binomio de Newton, es igual a (p
38
P3 ,
1o= Cf0p8q7=
3~;, O,i0,9
~ 0,057.
Aloorn hallemos la p1obabilidad de que, por lo menos, uno de los diez si~te mas
funciona bi en. Por la frmula (1.4.4) es fcil hallar (considerando como 11contecimle1.1to A el funcionamiento sin fallos del sist.ema)
R1 , 1o=f- 0,110 = 0,9999999999.
Ejt'mplo t .4 .3. La probabilidad del fallo de un elemento det.erminado del
sistema es igual a p = 0,05. Par:1 aumentar la fiabilidad del sistema, en sLe,
en vez do uno, se han Introducido 'n
5 elementos semejantes que funcionan
simultncnmentc. Con ell o, el sist.oma se estropea slo on et caso en que faHe n
tollos los cinco elementos. Hallar Ja probabilidad P do que el sistema unclo ne
sin fallos.
La probabilidad de que fallon todos los cinco"elexnentos es igual a p' =
.,. 3, 125 10-7 Por consigui ente, la probabilidad do que el sistema luncooo
sin fallos ser P = 1 - 3,125- t0-7 ""0,9999997.
CAPITULO 2
Magnitudes aleatorias
de
J!Tobilliilldad
.
Ji (x) = P {X
<
(2.1.1)
x).
~ Pm,n (k
m=O
= i,
>
n, la clesigualdad X<"
40
al~atnrtas
Cap. 2 Magnitudes
F (x) = {
Ctpnqn-m
si x<O,
si k <x ,,:;:: k-\-1
tn=O
(k=O, 1 . . . , n- I),
si
(~.U )
x> n.
1:11 la fig. 2.J.1 so muestra el grfko de esta funcin dr. distrihvciu para
el cu;;o ('ll que n
5, p
0,95.
' ----------------r--
(2.U)
X<"'~
;r ni,eno-
ae
.~
41
D ~ F (x) ::;;;:l.
(2~t.5}
.
Luego, cualesquiera que sean a; y ~. a < ~. para cumplir la
desigualdad X<~ .es !'lecesa.r.io y sufi~iente que sea X < .o. ().
.;a ::;;; X < ~. Con:io 'los acontecimientos X < (i. y a::;;; X < ~ son.
.i13compatibles, entonces; segn el principio de adi~in de pr~balii-.
~~~
P (X
<
~)
=P
(X
<
a.)
+P
(ct ~
x< f.
De aqu, basndose en la definicin (2. t.1) lle la funcin de distribucin, sigue la ig11al<lad
(a~ X<~) =
(~)
- F (<t).
(2.f.6)
De este modo, la probabilidad de que el valor de la magnitud aleatoria se encnentre en el segmento (a.~). del eje numrico, o en su extremo
izquietdo, es igual al incrernenio de la funcin de distrib11cin en
este segmento.
Puesto que la probabilidad no puede ser negativa, entonces
cuale!!quiera que sean a y ~. a.<~; la magnitud F (a) no puede
ser mayor que F (~). Con otras palabras, la funcin de distribucin
es una funcin no decrecinte.
Tomemos ahora una succ.'!in indcfinidamentocrecicntc de los valo.
res xi, x~, . ., x,. ... rl'e la v11ri11ble il:, 1im x,. = oo. Los valores
........
,,,_"'
n-eo
Cnp. !! Magniludn
~nLonccs
4l~ntortos
x 0 , pertenece a uno ele los intervalos x,, ~ x < x,,.. 1 Por consiguien'te. el acontecimiento X < x 0 no es ms que la sumo de un: conjunto
numernble de ac1>ntecimientos incomntibles X < :rlt x 1 :::;;; X <
<Xi, .. ., xh ~ X < x~+ 1 . . . Sogn el pr1\cipio de adicin
<te prob11hilida1lcs
..
Xh.i) o bilm
DI.! este modo, In serie del miembr o dcroel 10 dtl In igualdad obte11irtn converge y su suma es igual a F (x 0). Puro la suma de los n
primeros trminos de esh1 i;eric es igual a F (x,.):
n- 1
F (Xn-1)1 = F (x,, ).
Por lo t onto,
lm F (:en)= F (Xo)
n-+ ..
t-......O
.43
l'
f( x ) -- ~o
P(x.,;; X
< :r+6x)
t.x
(2.1.1 1)
que en el punto .z1 , se pued.e decir que el valor x 1 de la ma.gnitud aleatoria X es ms probable que el valor .z1
Expresando la probabilidad en (2.1. H } por la C6rmula (2.1.li),
obtendremos
(2.1.12}
De esle modo, In densidad de probabilidad de una magnitud aleatoria es ignnl a la derivada de su funcin de distribucit1.
De la defin icin (2.1.H) se deduce directamente la primern propieclad fnnd11mcnlal de la densidad de probabilidad: la densidad
lle probabli1lad de una magnitud aleatoria es una funcin no negat.iv11
(2.1.13)
1 (.:r} ~o .
In tegrando la frmula (2. 1.12) y teniendo en cuenta (2.1.8), obtendremos la expresin de la fun cin de distribucin de una magoitult
alentorin en funcin de su densidad de probabilidad :
X
F (x} =
Jf (x) d.z.
(2.1. 14)
j (x) ~ =
t.
(2.1.'1 5)
De los frmulas (2.1.10} y (2.1.12) se deduce que la probabilidad de que l a magnitud aleatoria X tome el valor comprendido
entre a y B es igual a la integral de
su densidad de probabilidad tomad&
en los limites de a a P:
ti
~ ! <~> dx.
(2. t.16)
a.
Flg.' 2.1".8.
~~
45
1
1
1
1
1
1
1
1
a
Fi. 2.1.4.
()
b
Fig. 2.1.S.
.r
t
/(z) = --=-e~.
(2.1.17)
o V2:r
Esta ley de distribu cin ser examinada en el 2.5. All mismo, en
la fig. 2.5.1, se da el grfico de l a densidad normal de probabilid ad
(2.1.17).
La distribucin de probabilidades para la cual la denshlad do probabilidad es constante eo el intervalo (a, L) y es igual a cero rucr3
de este intervalo se llama unif<>rme. La densidad analtica de prob11bilidad de una mag nit.u d aleatoria uniformemente distr ib11id1.1 se
expresa p or la frmula
! (z) = < l O
si a< x<b,
(2.1.18)
si~<aysiz>b.
EJ grfico de esta den.!!idad se muestra en la fig. 2.1.4. Los valores
dl! la densidad de probabilidad eo los puntos rle discontinui dad
pueden ser tomados arbitrariament.e, puesto que no inrinyen en las
41i
intcgrolei< de la forma (2.1.10). Aplicando la fr mula'(2.1.14), hallamos con facilidad la funcin de distr ibucin ele unn! inagoitud aleatori a X uniformemente distribuida:
F(x)={ z~a
si
:r< a,
b- o.
si
ci<x<b,
si
x> b.
(2.J.1tl)
= { 2h~.i;e-h2.,,
/( )
Si X> 0,
si x<O,
(2. 1. 20~
r
Fig. 2.1 .ti.
Fig. 2.i.7.
1
xe-hix d.x=1-e - 1x' si x>O.
(2.1.21}
o
Si x < O, osta funcin de distribucin es igual a cero. E l grfict>
de l a funcin de distribucin para l a lay de R ayleigh se muestra
eft la fig. 2.1.7.
.
La ley de distr ibucin a la cual corresponden la densidad de probabilidad y l a funcin de distribucin
f (x) = ke-h, P (x) = 1 - e-b si x >O,
(2.1.22)
F(x)=2h2
se denomina exponencial.
'1
U11a gcncralizai;in cvicntc de fos Jc_ycs d e dis tribudn cxpout:1ncial y ele f1yleigh es fa ley <lo disLr.ilrncin para la cual la funcin do
distribucin y l<l <leusidnd rle distri11ucin se determinan 1>01 l;is fr-
mulas
F(x)=i -e- 11" 1' ,
(2.1.23)
J~sla ley de d istribu cin f11e aplicatla por primera vez a los probliimas
tle Ja ircLica por Weilou ll. l!:n el cuso 1rn1ticular, cuando n = 1.,
Ja ley de vVcibulJ so trnu~forma en ex poucncial. Cuando n = 2,
la ley de Weibull 110 es ms que la tle distri bucin de Raylcign.
r.
+
+
<
<
+ dt) =
P (1'
<
t) = 'l -
F (t).
J1or fin, l:i probabilitlnd cornlido11al /' (B 1 A) !'<i ()Xprcsa Jl(>r la int.eo;ldarl mcdin
tle fallos del elomeuto ;, (/):
!' (0 1A) = A. (t.) dt.
, Sutituyendo las expresio11es ohtcnidas en la frmula (2.1.2.t.), obtt>udremo~.
'-.~~.!ipus d& dividir nmhos miembros por dt, la ec.uacin diferencial para la fun: ~i6ji de distrihucill F (t):
.
(2.1.25)
.. De.do que 111 duracin de s.i1vici<> del el~ment.o n1> puede ~e.r negativo, o\ acnntecim\ento T <O 1roposib\o y, por lo tanto F (O)= O.
1ntegrnnd<> la ~1111cln d'1ferenc.lal (2.t .Z5}, con in condic.ilm inicial do Q,tll>
F (0) =
hnllanms In funcin ile distr-ibucin d~ l a durad6n do Sll'Viclo dt'l
F(l}=l-cst> { -
(:t. L211)
,. (l)dt}.
o
lle ;ttul, por <leri\'ticin, hallamos In dl'llSillnd de prfllJ11b1lidad dr la 1htruc i11
de surv ic.io del elernon Lo:
1
f (t)=f. (t}cxp { -
' (1)
dJ}.
(:t.1.27
o
J-:n rJ ~""" parlicular, ele qui:> Ju 11Lo11s 1dn1! de !olio~>. (IJ = A ~en
las irmulns (2 .1.26l y (2. 1.27), toman la forma
P(I)= l -e1",
f (1)=1.e-~ 1
~Ou.>La nlc
(2,1.28)
De cs~o 111odo, siendo consta nte la i1M11Riil acl de fallos>., la duracin do servicit1
de 110 ~l nmeuLo est. subordinada a la ley C'C.poueneinl da distribucin, lo q ue
explica el gran papel que dic ha ley desem pea en la t eora de !iablidad Je los
sist.ornns automticos .
Ejrmplo 2.1.S. Para los mismos Jalo~ del ejemplo unwrior, hnllar Is woliahilidd condicional de quo el cfomenW rnllc 011 ol lnt.crvo.lo de t.iornpo (ti. 11)
s11ponien1lo que funciono bien hast1< el 1oornento 11
~xam11omos dos aeontecimcntos: A (ol n11cionarnionw nnrmal d el elc111ot1lo hasta el mnmenLo 11). B (el fallo 1lel elemento ou el oter\alo de ticmpf>
(/1. 11 )). VAli6ndoMS de la formula (2.1.lll) obtend remos
P (O) P (t1 < T < t~) = ~- (lz) - I' (l1J
(:1.. 1.29
(Z.1.30
P (A}= P (T;;;, 11) = 1 - l' (1' < 11) ~ 1 - F (1, ).
Sustitu yc111lo estas exiresionus en la f6rmu l;i (2. t.24) y t<>rnurH)u '"' rucnl.n que
en el ca: dado el acont.ccimienw IJ no iuedu producirse sino junto con el ar.onlcdmicnto A, hallaremos l a probabilidad huscadu de 1uc ralle "' elemouto en el
i11t.crvalo do tiempo (1,. t,) a coadici6n Je tuo hasta el momento 11 haya funcionado bien:
P(D ) A}=P (ADJ= P(B) ~ F (1,)- JI (11)
(Z. l.1ll )
P(A)
P (A}
t-F(to)
,,
di~tril.111c.in
'. JI (1)
(2 .!.32)
11
'En ol cn!o iatti~ular, en qu~ la i11te115i<J11d 1lc fallos ), us <;OILtante, la su.stitn-cin de la cxpr~o de la fuucin de d1 >tribuciii11 de (2. l .28) (n la frmula (2.1.29)
ofrece l a siguiente f6rwula para la prubxbilidatl do que fulle el olcment-0 en
.el intervalo de tiempo (t., 12):
P(B) =e-'l.1t-e-'l.1 .
(2.Ui'.3)
La ~ustitucin de Ja expresin (2.-1. 28) para la funcin 1lt 1li~tri l1ocin en (2.1.:11
olrece la siguiente Crmula para la prohal>ilidad condicional de que falle el
-elemenLo en ni intervalo do tiempo (li. 1.) a condicin de que hasta ~1 runmcnlo
~ haya fu ncionado bien:
(2.1.::V.)
.~
49
Fig. 2.2.2.
Fi. 2.2.1,
11
x,.
<'>_(O)= OO.
~
=1
f'
> .
(2.2.1)
~
Para <Jte, toniendo Cll cuonta la tl1>rinici n adoptada ('.L 1 .1)
do lit funcin de distribucin, se pueda usar la funciu delta co
lo que toca ;~ la derivacin de las furn~iones 1le distribucin disconti11ut1s, es necesario snbol'di1111rlu a una coHd iciu complc111entaria.
o
e
&(:t)dx = O,
6(x)d.x=1 parn cualquier e>O. (2.2.2.)
-t'.
La funciu que posee tales propiedades puodo ser obte11ida, por ejemplo. como lmite de un impulso rectangu lar posi~ivo del .rea 1wi~aria
cu11ndo la duracin de oste impulso tionde a cero (2.2.1). Es toda vfo
ms cmodo definir la funcin delta co mo lmite de la densidad
exponencial lle probabilidad si k-+ oo [vanse las !rmulas (2.1.22 )1
(fi~. 2.2.2):
(~)= \ O s i x<O. .
(2.2.il)
6 11
/ kc-~"' S I .r :.' Q.
Es eviclentc que par11 cualquiera x "> O tlsta funcin tiende a C('fO
euam.lo k -+ oo . Si x <O, sta es igual a cero. Si x = O, dicha
funcin crece ilimitadamente cuando k - oo. Por fin, parn cualq 1iur
> O
.J
6~ (x)d.c = k
re-~"dx = i -e-"".
t&
(2.2.4)
x- e
~- ~
<r(s)6i(:r:-s)d;=
Jq(x-t)6i(t)dt,
-e
donde por 61 (t) se desigua el impulso uni t ario rectangular mos trado
grficamente en la fig. 2.1.1. Es evidente que pura cualquier & > O
se puede tomar l < e. Entonces obtendremos
" l En c!ect-0. abriondo lu indeto1mi nncin
obtondromos
s~11in
la regla de L'HJJlal,
tmpu/.,~it,as
x+
) q>(s)61(x-s)ds=+
Jip(x-t)dt
x- t
x+e
qi(s)ll,(x - s)d~=+<>(x-0)
Jdt=cp(x-0).
U
X-&
a.onde a es cierto valor medio de ten el intervalo (O. l): O< 9 < l.
Al pasar al lmite, cuimdo l ->-O, la magnitud 0 tiende a cero y obtendremos
x+t
Jcp(s)6(x-s)~ = qi(x),
(4.2.!J)
x- P.
s,
(2.2.ll)
-<
X> .
< )
f(x)=
j p 1(.c-x 1) .
(2.2.R)
i=i
En cfcclo, esta funcin es igual a cero por doquier, Snlvo los punt1>s
, Xn, es infinita en los puntos x,, .. ., x 0 y su integnil en
el intervalo, todo lo pequeo que se quiero, que contiene 11n solo
X11
!,
5Z
... - 8
{k=1, ... , n)
(2.2.0)
"h+
l: p11 (x-x1),
1= 1
obtenJromos una funcin co nti11uu. Por eso, lu funcin rlo uistl'ibuci11 uc torln rn,,gnitud alealoria X. que Stl 1>0edo 011co111.rru:
en los problemas <le la prctica, puedo :ser reprt>scu Lorlo en fo forma
..
F(x)=Fi(x)+ 2)p11(x-x;),
(2.2.10)
1-1
..
+ ,_,
~ p /3 (x-x;),
1
(:!.2.11)
S3
2 54
F1 (x)="+ si - 2,5a <z < l,fla.
-in
Por con.,iguiento,
r'~ (y) =~
y+Z,5a :O,I. - a < y
<
ll .
cl~m~nto
r,
2 5
Fd11) = J v+4al " s i
-11
<Y <a,
~ 11> a.
1
(2.Z.l2)
1
Esta funr.1n Liene s11ltos igu;1Jes a 3/8
1
y 1/8 en los puul.os = -a y y~ a.
'--~--~---...,..--'
1a
Za a Q,
a
?.a Ja !/
.E l g1Mico de esta Iv11ci11 npmeco en
la fig. Z.2.5.
Fig.
2.2.5.
J,a 1lonsidad de fa p1obabil idad de
la magnilud aleatoria Y os, cvirhmtem~nte, igual a cero cuamlo 1J < - a y cunnd<> v > a, y on el intervalo -a < v <
<o t iune ol ,alor wnst.nnw 11/oa. Los so lios de Ju (uncin de distribuci611. ,,,
a.:uerdo rnn la (6rruula (2.2. ti), dan una Cllmbinaci6n lineol de funciones dell.i
6 (/,1
a) y {l (y - a) con In~ c<rnficieute~ correspondieuLomont e iguales a 3. IS
y 1/8. Por lo tanto, l>t densidad de la irobaloilidad de la mugnitud aleatoria Y
se puede oxprcsm por la frmula
\:!.2.i::S)
c~peciales
Cap. 2
Ma ~nllude.t
nfoatoriot
S ""' {
10 -
c.011
el mowon11> Jet
T ~ to,
si T
<
10
S no puedo ser unn magnitud nfl!"nlivu. Por <.'S<J. cuando s,;;;; O, ln funcin de
d1striburin f'1 () de ln magnitud alcnt.orio S es i:u~I a cMo. Cunndo s > O.
t;(s)
1
1
1
1
1
. 1
eH1
-- .. ---"-- --
- ---'--------
fo
f"ig. 2.2.ll.
rila se e.xv1!1!a por la furocirt de distril,ucit.n .(t.) del moroonlrt dtli primer
fallo drl sist.<>ma T:
~, (s) = P (S < ) = /' (I~ - T < 1)
P ( 7'"> lo - s) = 1 - P (T < 10 - s) =
1-
/l (to -
r).
1.(t)dt} s i
il <<t0
(2.2.tr.)
'"
dt} .
l
Cu&ndo s .... 10 , la [uncin do distribucin ., (1) t iendo a la unidad. l)orivandn
la frmul:l (2.i .14) con rc~pecto n $')~colendo en cuenta 11ue F1 (s) - O, siendo
l
I~
lo-
f($}=A.(t0-s)oxp { -
A.(t) dt } + 6 (}n.lp { -
i. (1) dt} .
(2.2.1 5)
="- es constante,
(2 .2.16)
('.l.2.17)
distin ta
no cero.
.a,
o
F ig. 2.2 .8.
1l.
l'ig. 2.2.9.
co11 ,-olores posibles que llenan continurunonto tod o e l ejo numrico y cou un
va.lor r><>sibln cero exclusivo quo t iene la probabilidad q. En las ligs. 2.2.8 y
2.2.9 !'e rnuu.~trnn l os grfieos do la func in do distribuci611 P (u) y do Ju dcns itlad de probabllldnd J (u) 1lc la nm pltud de Ja seal til nn el pre>blcmr1 de
detc i6a .
Obsenemos que In condicin de quo la funcin delt a sea unidireccional (2.2.2) es necesnri a slo para quo las fr mulas concernientes a lns fltnciooes clo distribucin y 1.1 las densidades de la probabilidad concuer1len con la definicin adoptada (2.i.1) <le dich a funcin.
Por eso consirlcraremos quo a esLa condicin la sntisfaceo solrunente
las funciones deltn que forman par to de la expresin para las densidades do la probabilidnd.
Eo los problemas de la Teora de funciones aleatorias y de la
Teora de direccin n11l-01lltica es cmodo considerar que la funcin
delta es par. Entonces, en vez de (2.2.2), tendrn lugar las ignaldn-
C1tp. !!
eles
t
o
.~lagniludt$
aleatnrln.t
(2.2. 18)
q, {
si
z<O.
si
x~o.
si
;c>O.
~:U!.
I:>)
.1f 60 (.r) dx =
-~.2:t
.J
""'
e-20rd.c =
-t:
:e
(}
Fig. 2.2.11).
- l'J
.1
Y2
11>11>11141~'1%&
57
11 (x} = }n
..Jelwx
dw.
(2.2.22)
-oo
Al susLituir h1 fw1ci11 cxponencb1l por su expresin mediantelas !unciones trigonorntricas, segn la frmula de Euler
(2.2.23).
e"" = cos wx
t sen (l)x,
""
..,
[
J
ll
-oo
{2.2.20).
Cumpliendo en la fl'nuila (2.2.6) la derivacin do la integral
con respecto nl pimmcl.ro x, obtendremos In .t rmula
b
)
4
1p(~)'(x-~)<Ls= -
j lfl(~)<'l'(s-x)d;= q'(x),
(2.2 . 2~1)
vlida para cualquier x, a< x < b y para t.otla funcin (p (x) que
tiene cont.inua la primera derivada. Prosiguienrlo tic tal mo(lo,
Cap .
:t Magnifodet altalorla1
-0blo11drcmos la (r11111la
b
11
= (-1)n
d'
lp(n)
(x),
(2.2.26)
vlida para cualquier :r, a< x < b, y Jara Lodo. funcin q> (x) q ue
os continua junto con s us derivadas hasta 1Jl order\ n inclusivo.
r,a deduccin dnrlll de las frrnulas (2.2.2:) y (2.2.26) no es rig urosn . Para deducirlns rigurosamente, es suficiente ;1ustituir la funcin delta eu lns integrales precedentes por la densidad normal
do In probabilidad 11., (:r), que se determin n por la frmula (2.2.20).
~umplir 1n integracin por partes y luego pus;;r al lmite para a - O.
tn~ = ~
1- 1
XI
P (.T),
(2.3.1)
donde x,, ... Xn son los valores tomad os por In magnitud aleutori n X como resultado del experimen to y .F* (:r1) son los incrementos de la f11ncin ostadlsLica de distribuci6u on los puntos x 11 , Xn
Como resultado de las pruebas, toda magnitud aleatoria puede tomar
solamente un conjunlo li nito de valores. Sin ombnrgo, tericamente,
los valores posibles de una magnitud aleatoria pueden continuamente
<listribuirse en cierto intervalo. Por eso, de anlogo terico del valor
medio estadstico de una magnitud aleatotia X sirve la integral
m_. =
..J
xdF (x) =
-OI)
..,
J xf (x)<lx,
(2.3.2)
-oo
-problem as de la prctica.
59
cuando el peso de cadn uuo de estos valores se toma igual a l a denfdatl de l n probabilidad de l mismo.
Si lo~ uxpcrimontos :se repiten ili:nitadamente, la frecuencin
.de que los valores de la mnguitud aleatoria se encuontron en ol intertlx) se e:;tabilizar cerca del elemento ele provalo pequeo (x, x
bnLilidnd correspondiente f (x) x. Por eso el va lor medio estadstico
tender a estabilizarse cerca de l a esperanza matem~ica
Designaremos la esper:mza matemtica de una magnitud aleator ia X tambin por el slmbolo il!f (X}:
m.,=MIXJ.
(2.3.3)
m:
m.,.
Al generalizar la definicin <le In esperanza matemtica, determinnremo!l lu esperanza matom1hicn de cualquier funcin, real o compleja,
<p (X) ele la muguitnd :1lontoria X por modio dll la ignulrlad
ilf lP(X)l
(2.3.4)
...
E~
(2.3.5)
rev1e~eota
60
t, = M f(X -1n,.,)'J =
(2,3.6)
En lo sucesivo nos encontraremos frecuentemente con la diferencia entre la magnitud 11lcnt.oria y su esperanza matemtica. Por
eso convengan:ios en llamar mcignitud aleatoria cenLrada a esta diferencia y sefialarh1 con un pequeo cero en calidad de ndice suporior
X = X - mx
(2.3.7)
Entonces ol momento central de orden r de una magnitud aleatoria
X puede ser determinado como la osperau:ta matemtica de r-sim<>
grado de la correspondiente magnitud aleatoria centrada
!!r = M [(X")'J.
(2.3.8)
De Ja fnnula (2.3.6) se deduce que par<1 cunlquier 1nag11itucl\
aleatoria el momento central de primer orden es igual a cero. Et
momento central de segundo orden puede ser tomado en c11Jidad
de la caracterstic:i do fluctuacin de los valores posibles de la magnitud aleatoria y se llama dispersin de fo misma. Designaremos la
dispersin de nna magni.j,ud aleatoria X con D [XI o ms brevemente con D ,,.
co
('.!.3.9)
- oo
S
Xc, m.
xf (x) d:r;
= ..:-;:..:::.:.......___
S f (r) dz
(2.:-1.10)
61
De la frmula (2.3.9} se ve que de ao.6.logo meco.ico de .l:a dispersin de la magnitud aleatoria sirve el momento cc,io.tral de inercia
del vstago. Cuanto mayor sea el grado de concentracin de la masa
-cerca del centro de masas del vstago tanto meo.or ser la dispersin
-Oe la magnitud o.leatoria correspondiente.
Aplicnndo la frmula del binomio de Newton, se puede expl'esar
.todos Los momentos eentrnles de una mngnitud aleatoria por medio
de los momentos iniciales de la misma. Le dejamos al lector que
~leduzcn por s mismo las frmulas general.e s y nos limita mos a deducir
In correlacin entre la dispersin, la esperanza matemtica y el
momento de segundo orclen de la magni.tu(l aleatoria. En virtud :de
l11s frmulas (2.3.2), (2.3.5) y (2.1.15) tendrernos
Dx = 2 =
J (x-m.,.) (x)
2
00
d.x =
-oo
Do es te modo,
D:<=Ct-i-et~ = ai-mi.
(2.3.H)
~sta
De rnodo anlogo, en vez del momento inicial de segundo orden conviene frecuentemente tomar la magnitud
=
T)
VCtz
(2.3.13)
i
b- a
J xrdx
b+L -ar+l
(r + l ) (b-a)
, ~ b~a
J (z- t r
1.
.,
{
dr=
O
si r es impa t
(b - a}
.
2, (r+i} s1 r es p.v .
02
m"=2h2
Iz~e-hxt
d%
00
et2 ~ 2h
.
)
mulos
m,.=k
J:u-lXd;;...;-} .
"'
...
D~..... a.,-mt-k
fl z2c-ll.cax -...!._=_!.
.,
k~
k2 .
F.jcm!lo 2.:lA. En IM con<licioncs del l'Jemplo 2.2.J lu cspcranzn u1atcu1iilkn, d momento inicial de scgun1lo orden y l a clisrersin de la seial de salida
de un ltlemcnto no liJ1eal sou iguales a
Ej1!mrlo 2.3.5. En las conilicinnos clcl ojomplo 2.2.2. la esperanza matcnuilir.11 , e momont.o i11icial de segundo orclon y la diepcrslu Jel tiompo de
fuuclonamient.o S do l1Jl sistema aut.omlilic<J despus de lu primera reparaci11
so determinan por las frmulas
I~
m,-
21
?..t
0
0:2=16-;-+:;rlt-e
),
D, =
'.'!
(t -e- 2.>.lo)-
~ e->.to.
63
m.,=
i-1
t- 1
oo
-oo
,.
mx= ~ pX.
(2.3.14)
i= I
"
Dx = ~
=l
Pi (:r1-m.~?
(2.3. 15)
qu"
Compo11gamos la Cunrin S
(u.):
tt
"""
~11\mi<;"s
obt.c111ltcmos
n
ct2=[,1u{!uS'(u)}J 11 _ , ~np(q+np).
l)x
npq.
m11~11itud
a leatoria
J
_..,
00
g (>.)
=M
[e1M J =
elAX
f (x) d.e.
(2.4. 1)
f (:i) =
J,.
J Jf (~) e>-<l-xl d~
00
di..
- oo
(2.4.2)
-~
-~
1:"~/(s)ds = e-f>"g(I..).
i;
6.5'.
f (x) = 2~
(2.4.3)
por la C6rmula
(2.4.4)
m= G
(/.)=
(2.4.5)
i.,/A-<v,
v-1
dondo z 1, , z,. son los valoros po~iblcs de In tnngniLud aleat.01'i11 y p., . . ., p,.
son las pl'Obabilidndes de 0$\.os valores. La frmula (:!.4 .5) S vlida tambin
cuundo n = oo.
Ejemplo 2.li.:{. J, u u nr.i61l ca1ac.te1istica de una magnitud aloat.ori11 re
partida uniformewont~ {1i el iutel'vulo a < x < b Licue la fun11a
b
g (}.) = b-1 a
J\
ei1'x d:&
il.(b-u)
(ei1.b-eiM,
(2.4. ti)
J
~
g(>.)=k
e-"(k-0.)d:;;
(2.4.7)
k!:...IA
~ali<i a
Y en el ejem-
1
}
"1 _..,jr c>:u { 11 (y+a)- 1(11-a>1+s:i ll<u+aJ+s'<v
-a) du=
_ _ sen aJ.. +! .-U.u+..!. .,,
5-0938
--:r
~e
(2.4.8)
66
; (i>)
,.
1
=e-< o
e (el>.To_ e-C'l'o
c-t-IJ..
(Z.li .ll)
e (>..) "" i
y en goncrnl
..
=i
).
..
Jxei>-"J (x) dx
...
g<ki().)=ik
Jxhex(x)dx
_..,
(k=1, 2 ... ).
(2.4.10)
P ara "- .__ O las integralos en los segundos miembros de las Irmulas
obtenidas represen tau los momentos de la magnitud aleaLoria X.
Por eso, su poniendo que en (2.4.10} A. = O, obLen1l remos
1
(k= , 2, .. ).
(2.4. tf)
""j
61
~ = ,! [e-i;.m.,g(>.)J~o
(k=2,3, ... ).
(2.4.12)
Ejemplo 2.4.7 . Hallar la espera.n za matemtica y la dispersin del nm&ro .X do veces que sucede cierto acontecimiento al efectuar n pruebas independient.es, si para una sola pcueba la probabilidad de que el acontecimiento ~e
produzca oo igual a p .
Deri vemos la ielaciri (2 .4.4):
g' (A) = inpe;'}. (q
pcil.n-1
g (A.) = inpe. (q
Eutour.e~.
+
+ pi).n- (q + npei').
g (>.)
eil.b_ el>.a
i'>.(b-a)
__
1-
g (i.)- b-a
h~Jlamn~
[.!2 (b
00
2_ 4 1
"
>+ .cJ
(iJ.)k-2
lt
k(k-2)! (b - a)
'
lt-8
G8
f (:e) ~
111/iit
lX - n)Z
e-:-
(2.~,. I )
f(.r)
Fi. 2.5. 1.
Fig. :l.5.2.
2tt
este caso la curva va ach at ndose a lo largo del oje de abscisas de moclo
que s u rea queda igual 11 la uuidnd (C ig. 2.5.2). l~sto se deriva Je
la Crmuln
-oo
"'
r t211 -hz dt
J e
~ (Zk-1)11 , ;;;
;!llJ,ll+l
V "
(k = 1, 2, ... )
(2.5.li)
donde cou (2k - 1)fl se de:signa lli producto de todos los nmero::;
e11t.eros imparc!! a partir de 1 b a~la de 2k - 1.
De ncuerdo con (2.8.2) y (2.5.1) la esperanza matemtica de uu u
111ag-niL111l aleatoria norm~tlmente rorrnrtido se expresa por la frmula
rn:r =
Cf
1
v2n
""
_<ir- a)"l
Ji xe
-oo
(2.5 .. )
2ii> clx.
~ustituycudo
m:r= .. ~
v v2n
..
J(11+t)e- Toi"dt=a.
(2.5.6)
- oo
,~
o v ~n
co
r
J
- oo
(:c:-t1)2
(x-a)'e--;r- dx =
vin 2n
ro
r t'e-Toidt.
J
(2.5. 7)
'10
f(:c)=
vl
2nDx
~"-mx-)t
--w"
(2.5.12)
1(x)
" V211
-~
(2.5.13)
11
(;te-m:r.>'
11.:<-~
"
dx=
Je
00
e'>.m,,
Vi.-iD,,
t2
f).t-w-
= -=
dt.
->
g (A.) =
/mx-z-Dxt-.
(2.5.14}
P(o;<X<~)=
a,,
~~\. e
io~
V <!.-i
"
z= ~
" '
dx.
Jl- m,.
P (a:<
X<~)= ,~-T
e-:; dz.
2n
J
V
(2.5.15)
-mx
11> (u) =
(2.5.16)
E:st.ll ruuciu se <lo11orniua f uncil5n de Lap~ace o tntegral de las probabilidades. Para ell1~ estn p.rcpradns Tablas semejantes a h11J:'bie1,1.
conocida~ 'fablas de Logarit)TJOs y Fuuciones Tdgonomt1i.cas. La
1'ahla de 111 Funcin de Laplace se da al final del libro. A1ilicando
la fonci.n de L11place, se puede escribir
- 1 nx
<T,"'f
~2
-- Jr 1:--T- dz =
-V~
A l :>ustiLuir
c~tn
cll ( ~ -m,.
Ox
P(a<X<f3)=lt>(~-m.,.. ) - (r>(
(J>:
Dcmost.rcmos
(fx
1bori1
a-m,.)
.
~
(2. 5.18)
v\- re-~
dz.
o
(;.5 .19)
- 1t
t~
z y al tener
(2 .5.20)
funcin ID (tt) .
interva lo (a , f3) cs ~imtrico
las magnitudes u. y ~ plWden
e, ~ = m,. e, dond11 t:
O,
>
(- ;~) .
(2.!'.i.21)
p (t
<X <7)=4>
('7-; 3
)-m ( 1-;3 ) =
en
74
tran~urso
P (X
= m) = Pm (to,
t) = Pm {t)
(m = O, 1, 2 . . . ).
(2.6.1)
(2.6.2)
~=Z
donrl e v (t) es cierta !uocin no migaliva que consideraremos conocida*). Calculemos primeramente Po (t). Pat'a ello observemos que
Po (t
f}.t) es la probabilidnd de que dos acontecimientos coincidan: ningn acontecimiento se produce en el intervti lo (t 0 , t) ni
en el intervalo (t, t + llt). Segn la primera condiciu estos dos
acontecimientos son independientes. Por eso
Po (t + L\t) = Po (t) Po (t, t+ llt).
(2.6.3)
(2.6.4)
Con el simbolo o (f!it) se designa cualquiera (no u ua conerota) inlinitesimal do orden superior en comparacin con f!it, as que
O(t)
~~o~=O.
Es evidenle que la suma de culquier nmoro finito de tales magnitudes es
tambin Ja magnitud o (61).
76
de donde
o (61)
- v (t) Po(t)+ 61
Pm (t+tit)-Pm ( 1) tlt
-
+ _o A_t(lit}
_
(2.6. 7)
Jv(T)dt.
,=
(2.6.!I}
lo
,,,,,.
(2.li.10}
Ci"[" = - /lo
(m= 1, 2, ... ).
(2.H. U}
Po = e->..
(2.6.12)
Lnego, integrando sucesivamente las ecuaciones (2.6.11) qu11 c11rrespo11den a m = 1, 2, ... , y tenien1hi en cuento que en virtud de
(2.6.8) y (2.6.9) p 1 = p~ = . .. = O para A.
O, llegaremos n la
frmula geueral
Pm=~e-,,
(m=O, 1 , 2, ... ).
(2.G.13)
(:!.G.14)
Es fcil convencerse, haciendo la sustitucin directa, que la integral de la ecuacin (2.6.1 4), que se convierto en cero par11 'A.
O,
se expresa por la frmula
P~+ =
i.,h+l
(k+1)!
e->-.
.~
Z.6. y de Poluo11
i7
>.1
..
->. _) ->. ~
m-;;;- e
mac. t
i.m-1 _
L.J (m-1)1 -
.r.
uri= t
?,
A.~
= i.e-" ( 1 +-- +zr+
1.~
. .. +T!+
... )
M !XI= A.
(2.6.15)
son.
t-:jcmplo 2.G.I. Hallur lu ley de distrihuci11 cltl nmero de nlcctro11M
<'miti1l os 1or el c.~lndn Jn u n lnbo electrnico dnrnnw el iulcrvalo de ticmiro T .
supouil'tu o que la ca11tidt1d media de electronc,; quo se cmiU>n en lu u11ida1l <lt>
liempo l'S igual a \'.
l!:n vista ele que la canti1lud t.t1tal do e.l<-ctrones t>mitiJos por ('l ctodo 1
tlnoi nnc. el problema dado convicuo 1101 complot.o al osquumo 110 su1gim iont11 ''"
In rli~tl'ihucin il<.> f'oi~sou. Es dccii-, so pucclo consid111rur que par" un8 i11 1i11 i
l OSimo l T la probabilidad do q110 durnnte uste intervalo so "mita 1111 "lP.Ctin 1:1
uua magnitud d<.> urden T y I robebilidnd de que en el transcu1'So d11I intorvnli
T ~o hnyn lauz:ido ms de un <ll!l'Lrn debe Sl'r nua infinitesimal <le S~'\ltul., ot1l< 11
puusto que prrtirame11t.c es iw110sible qu~ 4'.sf.rict11moutc cu un iJJstanLo se 11111.
78
Cop. Z Magnlludn
al~alorlas
cen dos electrones o ms. S tomamos distntos intervalos de tiempo no sobtepu~tos, cut.onces se puede e.un 11Uficie11tc evideoo11 considerar que la cantidad
-v
( m= O, l , 2, ... ).
(2 .G.1G}
Esta ll'o1ulo rlotermiua 101 complete ltt ley tlu di~tribucin del nn1cro do
electro1 1n~ !llllitido!; por el Ni.todo durante el lntnrvalo de tempo T .
E,lt'.mplo 2.6.2. 1':11 condiciones del ejemplo anwior hallar lo loy do distrihudn 1lul intervalo d o t iem>O entre dos iustautcs suceKvo~ du emisin de
elecL101111S.
En vrtml do q1w los elret ro11es se lanzan del dtodo cm instantes ~Lentorios,
el interval<l de tiempo ~nlre dos momontos ~"llccsivo3 del lonznmionto do los
elootroncs es una m1tgnitod aleatoria. Segn la definicin. Ja funcin do clistri
bucin de la 111g11itud aleatorio T representa le probabilidad de que el intervalo
T ontro dos ostaot~ suce~ivos de em1~i o de efoctroncs ser monor que 1, es decir,
la probabilidad de que en el intervalo de duracin t se lance, por l o meuos, u n
electrn. Segn Ja frmul!l (i.3.4) que enla~a Ja,, probabi l idades de acontecimientos contrarios
P (T < t) = 1 - P (1' > t).
""
den~id11d
dl' La probabilidad
79
J' v(t)dt.
Pm =
,! J
1(
ti
v (t) dt} .
11
CAPITIJLO ;
de un vector aleatorio
!" (x, y)
X< :e )
.
( y< Y
(:3.t. 1)
81
EJt'mplo 3.1.1. Es [~cil Vt'r q u11 In probabilidad de <1ue el ext.r~auo <lel vector alea-
torio (X, Y) se encuentre en la milll.d sombreada de la banda, mostrada 011 la fig. 3.1.2,
so expreM mediante la func111 1ln di~1ribu
cn por In frmula
1'
(~~ ~'<ll)
=F (x,<\)-Jl(;r,y). (3.1.2)
Fig. 3.1.1.
F.jc111r.10 3.! .2. El rect.111gu lo mos(.rno en In fig, 3.1.3 ~e 111wh c.0 11sidcrnr
como lo 11Jf,.re11ciu th' clo~ ~mibnndus nf1 itas del ti110 examit111tlo 011
j~m11lo
ru ..
l'ig. 3. U J.
nnlcri or, l'<>r eso. e11 virtud Je la frmula (3.1.2) 111 prouubiliolad de: que d puroto
aleatorio (X, Y) se r.ncuenll'O "" rl rrclngulo :<e <1XJWt<rn mc11itu1L1> Ju u1.-i11
tl e tlistrtmrin por l: lrmnlu
/> (
~' ~ ~ ~ ~)
= F (fl,
b) -
f'
(fl,
y) -
: (a, b)
+ . (a. ~>).
(:'1.1.31
z <.: X <z+t\r )
r P ( 11<Y<v+ti.u
/(x, y ) = e.::~
/!a y
(J.1.4)
Au-o
82
(x + d.x, .11), (x, y-f-dg), (x + dx, y+ d.11). Debido 11 ~to, la pr(}babilidad de 11ue un uuto aleatorio S con las coorclenadns X, Y se
eucucntrc en una zona culquie.ra B del plano (fig. 3.1.<1) es igual
a la integral de la densidad de la proliabilidad extendida a Ja zona B*):
P(SEJJ)=
J~ J(x, y)d:~dy.
(iU.5)
P(SEB) ~=
r \ f (u,
Jn
v)dudv .
(~t1.fi)
Fi. 3.IA.
F(:i:,
J f(t,v)dl,l.dV.
y)=~
- oo
(3.1.7)
OC)
_
f (X, Y) -
IJ2J7 (z, y)
iJzi!y
(3. 1.8}
J~l
S pcrtonere n la zona 8.
.~
83
F, (x).
(3.1.12)'
F (oo, y)
= P
(Y< y) = F2 (y).
(3.1.13)
f (x,
y) ~
O.
(3.1.-15}
Luego, en el. haciendo en (3.1.7} x =y = oo, toniclulo en cuenta
(3.1.14) y el hcc.ho de que la integnil definida no
d~pende
do la desig&*
84
nncin de las
"" ,.
J J/ (:t, y) dx dy = i.
-
(il.1.1G)
\ >0-(11)
OC
(!:U .17)
- oo
/i(x) =
(:~.1 .18)
j(x , y) dy.
""
(3.1. Hl)
) _
Y -
{ii'
O
ab
si 1x 1 ,,;;; a , l 11 1 .;;; b,
1x 1>a o 1y1 > b.
si
(3 .1.20)
den.~idades
el e la
il.f. Fwu:wu do
di~tril>ue1n
+
+
(x
a) (y
(z
a)/2a
(y+ b)/2b
85
g den.idad d; probal>ilidod
d~fidacl 11~
+ )/4ab
la
si 1z 1~ a,
si 1:i: 1 < a,
si x > a,
s
si
<
prob~bil id ad
(3.1.20)
1 y 1:.;;; ,
> b,
l 11 1 < b,
-u,
<
(3.1.21)
- b,
1
x > a,
y > b.
l'or las frmulas (3.1.18) y (3.1.19) hallamos l:1s d~naidodes de las probabillddos
/ 1 (x), t. (v) de )as con1ponenles X , Y:
1' (")
r ' 12a si
- l
1% 1 " a.
si 1 z 1> a,
) ,_ { 1/2b
I 2 (V
0
s'.
SI
(3.1.22)
1 y 1 <; ll,
11/ J > /J.
Venios 11ne cada 1101\ 1111 ltts compononl.<>s del vec lcll' ulcotol"io. t'\pnrtido u111formemu11to un d Tectngulo, 1ambl6n se l1alla olisLl'ibuid:t unlormemcnt on 111
segmon t-0 c.orrespond~ni...
Ejemplo 3.1.4 . El V<X'l.o r ukatorio con lus co111po11u11tes X. Y est: repartido
unifonnemente denlro ole umo dipe:
z: , V:
1
na/J ~ ~ -r ... l.
(3.1.23)
i (z, 11) ~
. .,~
y~
{
0
Sl -;r+b'!
1,
>
Hallar las donsldades <le 111 1rob11bilidad J e las componentes dol vector aleatrio.
Suslituyendo la expresin (lU.23) !n las frmulM (3.1.18) y (3.1.19), hallamos
b ....... t -<.-..:/~)'~
00
/1 (r)=
Jr t (x,
11)
Jr
1
dv=-;;
2 }/ /
<lv - ru;
1-
("'7 )2
_,,.,~ ~
As rues,
{t{z)={ :a;/1-(~) 2
1:i1...:; a.
(3.1.211)
si lz J> a.
l)o nrndu somojanto se puede hallar La densidnd de la rrcbnbilidad /2 (u):
/:(ul-
~
nb
I-
(:l.l.25)
lvf>li.
Vomo11 qu... a distincin del ejomplo 1mterior, ~da 1111n lo J.1., ~owponlntcs del
veewr aJMtorio, repartido unirormomente denlru do In elip:IO. oo est. suhor-
gr,
Xi. .,
X1<x1
/l(:r.1 , . , XR ) ~ p \
l =
x,,:
. . . . ' ,,
(3.1.26}
/(.r,, .. .,
(:t <;, X
lin
l:n) =
:ll'J:
-o
<x1+6.r.1 )
1 ~ . . . u.
(:~.1 .27)
6x1
i~l>' n
F(x1
., :in)=
/( ~~lt
:tn
l ... ) f(u
1,
.. .,
(3 1 29)
i)11f(%, ,,., Xn )
8ziiJ:r: . Ox,.
unidad.
Si se integra la detl!!idad de la probabilidad de un vector aleatorio ri-dimensional con respecto a cu11lesqu1er11 m de las variables
:i., . ., :in, como resultado se obtend r la densidad de la probabilidad del vector n - m -dimensional formado por las componentes
correspondientes n las dems variable.o;.
87
z.
f{x)=
- ?O
y, z)ddz. f:(y)=
1-a (, ) =
f(:r:, y , z)dzdz,
"'
..J
f (-1>, y, z) dx dy,
-oo -oo
/12 (:r, y) =
J .~
- oo
JJ
00
/a() =
J ) /(x,
..
Jf
..J
(3.1.3-0)
f (x. y.) d,
(x, y. zJ d:r.
Ejemplo 3.1.6. La probabilidad de que un punto aleat-Orin con las coordenadas (X, Y, Z) so encuent re en la Z<>na dada B del espaco tridimeosional
se deterwina por la frmula
P (SE
n, ~
~ (x,
y , ) d .. dy dz.
(:.\:1 .:11
(3.2.1)
Ahora hien, la funcin de distribucin de la magnitud aleatoria X con
respecto al acontecimiento y1 :;;;;; Y < Yz representa la probabilidad
condicioual de la desigualdad X < x con respecto al acontecimiento
quo consiste en el cwnplimiento de l a desigualdad y 1 :;;;;; Y < y 2
Lo mismo que toda probabilidad t:ondicional, esta probabilidad
se determina por la frmula (1.3.G). Tomando en esta frmula por
acontecimiento A el cumplimiento do la desigualdad X < x y por
el acontecimiento B, el curnplirnien Lo de la desigualdad y1 :;;;;; Y<
<Y:. obtc111lremos In signierllc cxpresir1 Jlnrn la fo.ncin conilicionol 11(' distribucin llo la miignitnd nl ealorin X:
P (
X < "
YJ .,;.
Y<
U2
< Y:
1
p ( .,,. v
Y1 <> '
(3.2.2)
Ambas probalJ i 1id arle~ t'n es ta frrnu.la :m pueden ex ncsar JHlr 111cdio
de ln densicfad de la probabilillacl rlcl wctor aleatorio (X, Y). El
c11mplimicnl-0 conjunto do las clesigualdade;. y, ~ Y< Y: y X< :e
corresponde al hecho de que el punto
aleatorio (X, l") 11e encuentre en In mila1J
rle 111 uamla mostrada e u Ja fig. :'l.2.1. Por
eso valind onos de In frmula (:1.1.0),
}uillamo:i
P (
\'.' <
'/ y x
Y1 ~
<Yz
""
J ) f( , o)du.dv.
X
_..
!12
11 1
(3.2.3)
mngnilu<l nlcatoria Y:
l'i
(:'l.2A)
u,
la frmula (3.2.2),
ji.
t'fi
dri
f f (11. u) dv
(3.2.!))
11 ,
t (z.
v) dv
(3.2.fi)
$()
1y) -- ! f:
(>:, y)
J.1 (
<
(}
('' ?
8)
>- - .<
De modo somej.;mte obte1ul remos la I6rmula puru h1 densidad condicional de Ja probabilidad do Ja mag11 it.ud a leatoria Y con rc;;poct.o
a In 111agnit11d X:
f 2 (y 1X )
! Cx, y}
/ 1 (x)
(3.2.!))
11
(x)
/2
(y 1 x) =
c~crihir
(y)f 1 (x 1 y) .
c:-11 ln forma
(3.2.10)
Estu [rmula e.xJ.lresu el leorcnin de mu ltiplicacin de la:; deusidades dE:: la probabilidad : la 1lcnsidad coujuuta de la probabiflatl
ele dos magnitmles tleatori:i s es igual a la dcJLsidad de la prolJnbilidad de 1wa de ellns mu lt iplicada por la densidad condicional ele 1 ,~
otrn c.on respecto n ln primern.
La:; 11wguiLulles aleatorias X y Y SlJ llainan dependientes , s i
los acontecimientos que consi:;t:en en el cumplimiento de las desigualdades X < x y Y< y iion dependientes por lo menos )llll'a un
par ele vn lores dn x y y. Las magnitudes aleatorias X, Y so llu111u1
inde.pendie11tes, si los acoutccimionlos quu consisten en el cumplimiento do las clesignnldadcs X< .1: y Y< y sou inde.pe11die111.e:;
11ara cualesquiera valores <le x, y. J::n lo que se tefiere a lns magnitud e~ aleatorias iudcpeudicntes X , Y, la funcin conjunta de distriJmcill P (x, y }. en vir tud del teore oia do mult.iplicnciu de las
probabililladus para los acontecimientos independientes, es igual a
(3.2.11)
Pcl'O el primor factor en el segUJldo miemlJro es l a funcin de distribucin F 1 (x) de la magnitut1 al eatoria X y el segundo, l a funcin
-d~ 1lislrib11ci6u F 2 (y) de la magnitud aleatm:ia Y. Por consiguiente,
F (x, y) = P1 (x) F ~ (y).
(3.2.12)
As puos, la funcin conjunta de disl-ribucin de las inaguitndcs aleatori as X e Y es igual al producto de l as fUJ.1ciones do d istribucin
de las mismas. Est a coudiciu es necesaria y sticiente para la
indopencloncia de las magoitude5 aleator ia.; X, Y . Esta condicin
-elche cumplirse id t!n t icamente, es decir, para cualesqui era v alores
do x e y . De ella se puede obtener la idenLidad anloga para las
~l cnsidndes de la p robabilidad. Derivando l a identidad (:3.2.12)
rnrn \"ez con respecto a x y nna vez con respect o a y, obtendremos
(x, y)
= !1
(x)
/2
(y).
(3.2.13)
Ahora bien, l a densidnd conjunta de la proba bilidad de las magnitudes aleatorias independientes es igual al producto de las densidades de la probabilidad de las roismas . Esta condicin es ta01bin
necesaria y suficiente para que las magu.itudes aleatorias X, Y sean
.indepen<l ient.cs.
Comparwdo (3.2.13) con (3.2.10) llegamos a la conclusin de q uc
para lns magnitudes aleatorias independientes X, Y
f,
(x 1 Y) =
f 1 (x), 2 (y
1 x ) = f z (y) .
(3.2.14)
As pues, para las magnitudes aleatoriru; independientes sus densida-Oes condicioniles de la probabilidad coinciden cou las incondicionales . Esto concuerda completamente con nuestras ideas intuitivas
acerca de la dependencia y. la independencia de las magnitudes aleat orla:s: si llega a ser conocido el valor de una de las magnitudes aleatorias, mientras que la ley de distribucin de la otra magnitud no varfo, entonces las magni tU'des aleat orias son independientes. As
pues, las iguald"a des (3.2.14) reflejan el hecho intuitivamente comprendido de que las magnitudes aleatorias son i ndependientes
i311tonces, y solamente entonces, cuando el conocimiento del valor
de una de ellas no vara la ley do distribucin de la otra. Con otras
palabras , la informacin que obtenemos fijando ol valor de una de
las magn itudes aleatorias 110 contiene ninguna noticia acerca de la
segunda magnitud aleatoria.
91
Usando los resultntlos del ejrm11lo 3.i.3, por las ()rmulos (3.2.S) y (3.2 .9)
hallamos
J (:r ( )= f(:r, y) ~ {l"lo si z
l ll l
(3.2.15)
1
11
/ 2 ()
O si l z l >a. lv l)> b,
<a.
<b,
1z1<a, l 11 I < b,
si (z l >a. IYl :;>- b.
si
(3.2.10)
Es evidente C\Ue !ns componentes del vcctw aleatorio 90n !ndependien~. puesto
UD v~t.or
/d.t 1.vl {
y1
2a V J - (y/b)'l sl 1x1 <a 1- (y/b)'l.
O
,~
si I Yl<bVl- t.i/a)I,
2b V 1- (.r/a)
f:!Yl zl c: {
~ I Yl>bVt- lz/a)i.
(3.2.17)
(3. 2.18)
A uiierenci 1lel ejemplo 3.2.1, las compooentos dol veetor aleatorio u nlla olipsc
dependientes.
""
., Ym
1 X11 ., :r.)
= /2 (y,,
, X n
Ym) /1 (.r,,
(:U .rn)
j YI .. y,..) .
variable.~
y1 ,
. . . , y,,., por una sola lotrn y. entonces la f6rmuln (3.2.19) tomRr
la forma de (:i.2.'JO). Pues bien, lu frmulu (3.2.10) es vlicln tam -
92
.t~) . , .
Xn - 1)
(3.2.20}
''
3.~.
Funcion,.s
De la frmu la general (3.2.20) se deduce que la rlensidad conde l a Jlrob;ibilid11d de las magnitude.c; aleatorias independientes es igunl ni inoduclo de sus dens idades de la probabilirlad
f (x., .. , Xn) = 11 (z1) f~ (.r2) .. . fn (x,.).
(3.2.21)
jWlta
ne
redbdos;
2) la prob~ltilic!Rcl de nlu rma fa lsa, es decir. ir, pr11!111hilirl nd dt- qur '~
cl..-idn qn<l l1n:v ~Prial itlil cu<iodn l>tu nc1 rl1 isti:.
Pnra <tUc> la ~ohrdn rc'!!lllto i>cr w:s ciare y ~imp!t. ~IJ[lilll~ulrhS qur los
mpnlsos de Sllal itlil roH mnpiluclPS co1wcidas :t'/ . s~ y lo 4"" sn 1l('sc11lC!cc
es sohnncntc cl r<ipio hecho d si exist1n o no en lo so1al reciLitl>< z,. .... z.,,.
Supongl'lJllos t amhiu q1111 cnnuccrnos fo ley de dislrihudn de> los ruidos. r,; cl1dr.
conocemos lo dt>nsidaol le probnbilidnd de los impul :;os porsitcis f (:I'). Y. por
fill. s uponganw:< que 'I< conodd~ la probahlida<l 11ricm sti(o di' la v1('..,11ciu
d o 11> sofol p y. pclr .ousi,?n ien lo. l:11nhi11 la probabilitlacl du lll au!!('ndn de )A
se al ~ = t -
p.
Primeramcmll' eaJ..11fomos los prohobilidades cnnd iciontll'i! de que ~e come
tan errores tfo dos ti pus, l.'S dceir, lu probnhilidod de p~nlicl1t 111: l:o s~r.nl cua11do
st.a e:-;i;11.e y la probubil idud de alarma '8l!:a cu8 ndo In seiial 110 exis t!. P~ro esto
h3llemus la clonsi1hd c<mdicionnl do probabilicfacl do los impulS-Os rccibiclo.o cou
respcc.to n ln scliJI t.il , (: 1x). l'ucisto que. de acuerdo c...,11 Ju conrlicin ad ouitiJu
(es dcc:ir. el vretor c:l\n l a~
l a se11a1 til s tiono solamente dos valorP.ll vosibles:
compo11cntes .<~ s~,) y O (rn1 decir, e l vector cuyn,, compouPntcs soro t odas
igualt'S a cero), es suflcio'Jll<' hallar la densidad de 1roh nbilidnd de la seal rcci
bidl\ cuaorlo est pr~(.>llll' ~ 5l'a! til / , (: 11;) y la Jcrosidnd d<.' 111 probnliiliJad
de h sclial recibida cuond<i foh11 la ~ii1tl '1lil / 1 (i 1 0) . Es t'vid urotu que dndo 1110
tM
ul follar la seiaJ til se 100\bo :solamente ruido, la doll:!idad condicio11al de probabilidad de la seal quo "recibe~ cua ndo oo n>1ti presente la sefial til, coocide con la densidad de prol>abiliand del ruido
f,
<: 1 Ol
(:~.2.22)
= / (z).
En cnso tle quo "st p1e.,onto lu seal til , so lo 11djunta el r uido. f'vr 4lSO I
densidad rondiclonal do probabilidad de la soilal que se reclb~. cuando se tiene
In 5eiial \ttil, se obtiene do lo densidad de probabilidad del ruido f (2') sustituyendo en oll11 el argumm1lu r por la difcrenr.i11 e1Hre el valor posible de la sciial
reeibida ~ y el valor do la seul til s:
s,
z,
l'ig. 3.2.::.
seal eJJ recepcin. al Cl:llar presente 111 seal lil, pnrn el caso de roccpci6n de
dos Impulsos z,, Z: E~tc dibujo aclal'a 111 dcducciu do la fnnula (3.2.23).
Las frmulas (3.2.22) y (3.2.:.1.3) dotcrminan por comploto la densidad condicional
~(z~~r
/(s -- tO)dz.
(3.2.:V.}
3.2. Pu"rlones
c()ndiclonal~tt
(~)
9!>
dt dilrtbucln
>
e:
~ f(i)dz.
<~>
Pa.1 = P(1><il>clS=O)=
(3.:!.25~
Pm. ~ 111'
= /'
/(:-sO)o'2 + q
(l!.2.~li)
/(s)d:,
<zl><
<1<2).,..
'' +
lJ
a.z1 bl2....Zc
2~0
UJ
dz1 tl:z.
~usl.il11y:11nos las variables ''" 1:11 ruodo quu en la.s nucvus \'ariahlcs "'' 1: In
1.0111<
+""
u, ~
' + bi2.
+
Ut -=: b.t1
0%2
90
Ot'spcjando : 1 y
'+b .
.El hcobiono <fo
~Lu
1Jz 1
t.Junsformncin os igunl n
j;.1
Oi 1
-1
-
~tffl;
a+b az + .b
u:,
1>
a~+/,:&
1.
..,, _
1t~+b\I.
7"; iiu:
,,z b~ C:ou t:il s usliluci111 ele 1as variablll!I, los lrnitos de iutagrac;in se dotouninarn
por 111 doslu&Jdnd 111 .;;; e, 1'~ deeir, In intcgraci<n ~& efectuar do - oo bosta e
eon r.~pr.111-0 a ,., y ele -oc 11asta +oo COJI n>S11nctu a u,. Como resultado, la Irnnrla parn la pmb11bilid111l c.ondiciunal de prdida do Je .se.6a! tomar la forntrt
J> (<r: (Z) ~ c IS= .,0) =
Cu 1 -"f-b~+cu 2 -1>s?+"gn
21J(4&.rllt)
~
du,
'"1-'"-t11:r:
27l1+h1
I! -
du, =
(.-Q.t~-'""'g
l /J(n~')
= ,v.,.,.
;;:;
_.,.
1,
- l
4
'
t= 2
,., ( c - at/-b.<~ )
+ "'
VD (aj-f-b") '
~robobilidacl
( 3 _2 , 28)
(
e
) . (3.2.29)
. . = P(cf(Z)>c i S = ) = ~-<I>
,.
vo ca+bi)
a.2 ..\. En las condicione~ del ejcml>lo anteTfor hallar el procedi-
Pu r
Ej~mplo
miento ptimo de tr11 t.amiento de Jo. seal roclhid11 por el detector, que a~gure
la probab,11idod mlnima de que se cometa un error y, por consi2Ulent.e, 111 probabilidad mx.lm de una resolucin eorreo\11. Con olra.s palaDr$5, hallar ln
(uncin 'P. y el nivel de umbral e 11. condicin do que se garantlc-e la probabilidad
mnimo. do un orror.
Para resolver esoo problema, aprovecharemos el booho de que
'l'()<;(c
..Jf
(z--s0 ) dz = 1,
- oo
Porr. ~ P-
'11(<1>c
(3.2.30
3 . 2. Funciones
<V distrtbu<:iin
co11dicio11ala
97
-Do11qu est claro que la _probohilidad de un error Porr. t iene el valor ~ojmo
cuando la Int egral es mbtma. Por lo tanto, el problema se reaucc a l .leccin
de la funcin qi (z) y la magnitud e-de modo u.!, que la integral en (3.2..30) tenga
el 'olayor valor J>.<>Slble. Es oviden~ que e3ta integral aumenta al aadir. a la
iona de lntevactn tales parces del Spacto del vec1.9r : en lnil cules. la fu'n cin
subintegral es positiva, y disminuye al aadir -a la zona de integtci;l tales partes
del .espacio en las que la fundvn subiutegu.1 os negaliva. Por consigy.leote ,,
,eet.it lntegtal tione el valor mXirno e;n el caso el\ que la zona de integraCin.coincid e con aquella 1ona del espaciQ'del vector : on l a cual la !lincfn slibintegral
es positiva, es decir, cuando la desigualdad
<p (:) > e
(3.2.31)
cquvalo a la de.,igualdad p/ (z - $ 0} - qf () > O o bion
f (i -$0 )
/(i)
':/
(3. 2.32)
>--
11 ( / (zf -(:)sU) )
> 9 (.1.).
p
(3.2.33)
/ (;~()),
c=0
qi (!) y
(f),
el
(3.2.34)
.,.
f (: I
e= In 1- .
)
>
f (r ) =
(Z:i)~' 5 exp
"
~ rf}
2~) 1-1
crll = -
i= l
i- t
i..: t
(.-n2.
(ll.2.;l6)
Pues bien, en este caso la und(in ptima cp {z) es Ct1ncin lineal do l os i mpulsos
recibidos, es decir , el detector ptimo es un sistoma llncftl. El mismo resultado
se obtend r en el ca!o de \ID ruido arbitrario normalmente repartido.
La relaci n de las densida des co ndiciooeles de pl'Qbebilidad de la sual
que se rec:lbe al estar presente la s1>.al til y al estar sta ausente se llama relact6n d~ 11erosim tli111d. As pul!l<, el siswma do revelacin ptima debo calcular
la relacin Je verosimilitud o cualq uier funcin creciP.nto do esta relacin y
7 - 0~)3 8
98
compararla con el umbral c. Para determinar el umbral por la segunda frmula (a.2.34), es nec:esario eonoeer Ja probabilidad de prose.o cia de Ja seal til '
en la sot\l recibida s. Sin embargo, en la prctica est.a probabilidad es de ordinario desconocida. Por eso ol problema de revelacin se rc.suelve frecuentemente
por otro pro~dimiooto, a eabcr, partiendo do la condicin de probabilidad
winlma de p6rdida dela sefial JIPer. dada la probLbllldad do alarma falsa Pa. t ... a.
Para hallar la Iunoiu ptima ip :) y el umbral e con los cuales la probahiiidad do pt\rdida de la sella! es mU1iU1a y lo. probabilidad do alarma falSA
tiene cl Yalor dado a:, se puede aplicar el m&todo de mult.iplicado:res indefinidos
de LBgrange. Entone<--~ el l?roblema se reduce a la det.ermuiacin de la funcin
'I' (i) partiendo de Ja coocl1ei6n de que la magnitud
<p(z\=0'(
l(;c.t )
c=O(i.).
13.2.37)
J/
(i)
d~=a:.
(3.2.38)
et()>
En pRrticular, al revelar la seal en dos impul~ indopcndient.es u,,rmalmente repartidos con esperanzas maoomticas iguales 11 cen> e iguales dispersiones D, para determinar PI se puede (!Jllp)ear la rmula (3.2.29) del ejemplo
anterior. pucst-0 quo la funcin 6pi ima cp (z} segn (3.2.36} es en est.e caso lineal.
Comparando la expresi6n do la runein cp (:,, "1) del ejemplo anterior con (3.2.36).
vemos que en., caso en cuesti6n 4 ~ $flD, b = 4/D. Su.sUtuyendo estas expre-
/la.1. "".f-Cll
(eV Ml'~(g)h)
,lguo.J~ndo
11>
(e V (stJ!c~l") =~-a.
(3.2.39
Sea v el yvJor del argumento de la funcin do Laplaee para el cual sta es igual
n 1/2 - a:, es deelr. cJ> (v}
t/2 - a:. Comparando esta iguoltlad con (3.2.89),
hallamos
(3.2.4.0)
~hora !len, en estq Cl$O el umbral e se determina directamente por la f6r111ula (3.2.,0) y ln segunda 16rioula do (3.2.37) se hace innecesaria.
99
Esta frmula es la frmula geueral que dotermina la ley de distribucin de una funcin unvoca dctcrminndn de la magnitud aleatoria X.
Examinemos ahora ol caso de la dependencia continua recprocamente unvoca entre las magn.itudes aleatorias X, Y. Esto quiere
decir que la funcin <p (x) es continua y que no solamente a cada
valor x de la magnitud aleatoria X le corresponde un valor y, y slo
7
100
uno, de la magnitud Y sino que, a su vez, a cada valor de la magnitud Y le corresponde tambin un valor, y slo uno, de la magnitud X.
En la fig. 3.3.1. se muestra la curva y = <p (x) para el caso de la
dependencia recprocamente unvoca de y con respecto a x. En la
fig. 3.3.2. se representa el caso en que la dependencia ent.re x y y
no es recprocamente unvoca. Es fcil comprender que en el caso
de la funcin continua cp (x), la ~ependencia entre las magnitudes
aleatorias X y Y es recirocamente unvoca cundo, y solamente
cuando, la funcin IJl (x) es montona
!/
en la zona de los valores posibles
de la magnitud aleatoria X.
}'ig. 3.3.2.
Fig. 3.3.L
fdy) =
(3.3.5)
"'
(3.3.6)
cp (u,).
w'
fz(y) =-
11
v) dv.
(3.3.9)
fu11d~ntt
Y=a X +.
,
Hallar
(3.3. tl)
y -
q: (z) -
+ b,
az
y- b) .
- a-
(3.3.12)
Eo plrticul a r, cuaudo
(x-m)<
al hn
2n::.
!2 <v>
111c8c11 ( I YI<)
y su derivada
'f' (11)
6l
Vo-u
ft (;r.) "' {
si
1z 1-<. :rl2m,
O si 1z 1>11/i(I),
obtendremos
/,(y) =
si 1~, ,.., .,
si
n Va - y
IYl>n.
(~.3.t~)
tO'i
El grfico do esta densidad de probabilidad se muestra en la fig. 3.3.3. Tal ley
de distribucin se llama ley del arco seno. Esta ley se encuentra frecuontemente
en los problemas prcticos como ley de distribucin de los errores debido a las
excentricidades de los limbos en los goniu1etros
f,fYJ
y otros instrumentos de medida.
'
Ejemplo 3.3.3. Para mostrar oomo se aplica
la frmula (3.3.4) en eJ caso general, cuando la
funcin cp (:z) 110 es montona on el inte:\lalo de
lus \lalores posibles de la magnitud a.leat-Oria X,
ex.aminemos el caso cuando
Y=senX,
-a
x) =
I1 (
Fig. 3.3.3.
>
/ 2
(y) = :n
_,,
o (y-sun x) dx .
-1(
l'ig. 3.3.4.
tales, que la funcin
Y=SOll :r=q>(r.)
f2 (y)=~
-~
.\
-n
cS (y -senz}d:r +
-nn
NZ
Hallamos las funciones inversas :cara cada parle de integracin. De la fig. 3.3.4
se deduce que
'lj>, (y) = -n - are sen y si -1 .,;; y .;; O,
"1i (y) = are sen y
si - 1 .,;; 11 ,;;;; 1.
"13 (y) = n - are son y
si
O ~ u .,.;; 1.
108
Hallem0$
l~s
Suetit11yendo en las integrales las variables respecttvnmeilto :i: = "'' ('11), :i: ...
'ljl 2 (11). :i . . ip3 (11), teniendo en cuflllta que. en esto c11so s~n :i:
t, y aplicando
las expresiones obtenidas para 11>> (:i:) , ti (:r) ,y ~i (:i:), tendremos
f:<vl= ~"t
[J
_,
- 1
+ j cS(y -
i~
De aqul pal'a
[2
J"<v-11)(f-11~>-
112
d11J.
-1
1y 1
<
1 hallamos
/,(y)
/ 2(Y) = {
:-tVi-yZ si
si
luJ< 1,
1y1 >J.
para O < :r
<
1,
VY
y ft(:i:)= 1
ballarno~
0 11
/ 2 (y)={
J6
- t
(y-z1) d:i.
104
La lundn y = :>: es moutona en cada uno da los intervalos (-1. O) y (0, 1).
Por lo tanto, en el inoorvalo (-i , O) tenemos que
% = 1P1 (y) = - -VY.
..; (y) = - 112-VY,
y en el intorvalo (0, 1)
.,,. (y) = 112-VU:
:r
h (yl = Vil.
Por eso , dividamos la zona de i ntegracin en dos partes y cumplamos en la
primera i11tcgrnl la sustitucin d e las variables x = ip1 (1) y en la segunde ,
z = l>z (1). Entonces obtendren1os
2
o
1r
.l2<Y)=-: J
_,
6(-1) 2
dT]
-v;
1r
d11
+2 J 6 (y-1J) 2
-v; =
1 \
= -:
6(-1)
111
l/lj = Z l/y
si 0
<Y <1.
J2 ()={
tril/Y
0
si
Sr
O<u< t.
y<O, 11>1 .
-a
<-a.
fi(y )= -;;
't
j
<x<
6(y - r>(x))clx=
- :!, (ta
,,, 4~
-e
(y+u)d-<+
I
-n
- 2 , ~a.
1,r.a
6 (y-x)d:i:+
J 6(y-a)dx] ~
n"'
;.;,1
(3.3 .iS)
=fi(x,, .. .,xn)
lJ i3(Y1 i= I
<p(xi, . . .. x,,)).
(3.3.16)
""
""
j .. . Jt.
ll11 )
(11.i.
nO
(3.3.:17)
Ahora supongamos que el nmero m de las magnitudes aleatorias Y 1 es igual al nmero n de las magnitudes aleatorias X 1 y que
la dependencia entre las magnitudes aleatorias X 1, ., Xn
y Y 1 , ., Yn. os recprocamente univoca. Este quiere decir que
el sistema de ecuaciones
v =
q>J
(u 1 ,
.,
un)
(j = 1, . . . n)
(3.:3.18}
106
mltiple obtendremos
/2 ( ..... Yn) =
X
) ;/ )
fr
O(y-v1) 1
;=t
.donde
8('ip ., .. ., "'"'
it (u, . . ., v,.)
(3.3.20)
'1>1 (L'(
Olp.(v1, .. .,u11 )
81~,
1 Vn)
iJv2
Dvu
)L3
"
JtJn
(v1, .. v,.)
"
ilvn
/2 (y.,
, Yn) =
"(
= /(
1 'lr1 Yt.
)
(
))l<J(1p, .. .,1p,.)j
. . ., y.,' . . " ~n Yt. .. ., Yn
il(y, .. .,yn) J'
(;)..3.21)
(3. 3.22)
a.
3 .9. l4v<1
dislrlbucin d /u fum:lontJ
107
t,;(r) = r
'"' (cp)-
J{
1
rsencp)dq>,
(rC08q>,
I
(3.3.23)
(3.3,24)
00
,.., (q>) =
rh (r\ dr = COOSt.
(3.3.25)
h (r) = inJJ ~
- 20
D ,
(3.9.26)
l,l(r)=-lr , - 2D,
1
(3.3.:t7)
Por c:onPiguiente, el radio vector del punl-0 aleatorio e,st reparlido p-0r la ley
de Rayleigh y la Jase est repartida uniformemente.
Ejemplo 3.3.8. Hallar Ja ley do distribucin de la amplitud y do l a fase
de las oscilaciones a rmnicas nleatorias de frecuencia determinada
X (r) =- U sen oot
Z cos oor,
(3.3.28)
z.
Por lo t~nto. la amplitud A de una 011Cilacin armn ica aleatoria est distribu ida 'Jl(>r la ley de Rayleigh y la fose <J> est uniformemente repartida de modo
l08
,,.
que
11
(l D
f"a=
-w
(3.3.~I)
/~ (<p) = 211 .
s>J~
valores posibles,
obtendremos
(3.3.33)
z = z + y = 1f (x, y)
Esla ecuacin tfone le. solucin nica respec.to a cualquiera de las variables,
:i;, IJ Despejando en ella, por ejemplo, :i; hallamos
:r = ; - y = 1j> (z, y).
C'..omo en el caso dado tenemos u11a sola funcin i:, cnwnco.~ el jacohiano es
igual a ~,/az = 1.
Por e.so, aplicando la frmula (a.a.t7), en el caso en <>1>estin teuuremos
00
JJ
1: (z).,,.=
-oo -oo
00
/(:r, z-z)dx-=
j(z - .y)cly.
(3.:J.$4)
-oo
La segunda integral en esta frmula se obtiene si en la ecuacin (3.3.33) se despeja y en vez do :r.
L11 frmula (3. 3.3~) determina la ley de distribucin de lo suma de l as
magnitudes aleatoria~ X e Y tanto dependientes como independientes. C'..onviene
sea.ln1 un importante caso particular cuando los sumandos X e Y son inde
pendientes. En este caso
/1 (;; ) = k (:r) l (y),
(3.3.35)
donde k (x) es la densidad de probabilidad do fa magnitud aleatoria X, 1 (!/}
es la densidad de probn)iilidil.d de In mngitud 'a)eat()ria Y. En este caso partcula~ la substitucin de ia expresin (3.3.35) ch la frmula (3.3.34) da comi>
resultado
/~(:)=
..J
_..,
k(z-y)l(ydy=
J k(:i;)l(z-.tjd:r.
(3.3.36)
109
a,.
(3k1~
i'4 [X'Y'I
"' ""
M[(J'(X,' Y)J= ~
(3.4.2)
-oo -<
Es fcil comprobar que en el caso en que la [uncin q> depende sol amente de u no de los argumentos, la frmula (3.4.2) da el mismo
r esultado que (2.3.4). En efecto, si, por ejemplo, q> (X, Y) .... q> (X)
no depende de Y, l a frmula (3.4.2) da como resu ltado:
J J lf!(~:)f{x, y)dx dy =
00
Jlf[q>(X)l=
"'
(3.4.3)
- oo
tt
..J
..J
.....
a,. =
- oo
(3.4.4)
0)
(3.4 .5}
dond e X .= X - m.,, Y = Y - m son las magnitudes aleatoras
centrndas correspondient(ls. Para calcular estos momentos, supongamos ..;1 1e en l a frmula (3.4.2)
qi
(z, y) = (z -
m,,)' (y -
m~) .
.~
9.4. M()met1lo8dtt
u11
vtttor aleatorio
Entonces obtendremos
,, =
1)
...
00
-oo
-GO
(3.4.6}
)"" J"" (x -
(3.4.7)
- oo - oo
E l ntOQl('nto do correlacin de dos magnitudes aleatorias can1cteriza hasta cierto grado, no por completo, la dependencia entre
est as magnitudes aleatorias. En efecto, el momento do correlacin
t!2
ve~toriaLes
kxy =
00
J J (x-mx) (y-m
11 )
-oo
/i(x) /2 (y) dx dy =
!IO
00
J (y -
l13
kzv
(3.4.9)
Co.p.
a Ma;nltude.
aleatorias 1;ectorlale..
(3.4.10)
llv, d, . .. , n
(3.4.11)
sim~~r.icamente
So llam;! .matrli a un cuadro de nmeros dispuestos en renglones v columnas. Si el nmti.ro de renglon~s es'tgoal al de c<>lumnas, la matrir. se llama
cuadrada. Si el nmero de renglones ne> ~s igua1 til de columnas, la matriz se
llama reetai;igular.
f:tS
La funcin caracterstica de un vector aleatoiio X con las componentes X., ... , X.,. se determino. por lil frmula
(3.5.1)
J ... J exp
00
g (?-.i, . . , A.n) =
- oo
{i (A.1x 1+
. .. + A.~n)} X
- ao
f (x1 ,
(3.!i.2)
Xn) = (i!)n
r... r
-oo
5.. )/(~,
. ,
~n) X
-oo
-00
(3.G.3)
j
- oo
r/(~t. . ,
-oo
+ ... +
f (X .
. . . . Xn )
(:.!~)
00
00
-oo
-oo
J ... 5 exp {-
i(A1X1
+ ... + ArrXn.)} X
. . dA.n.
(3.5.4)
Esta fr mula enuncia l a densidad de probabilidad del vector aleatorio por medio de la funci n caraclerstica del mismo.
Ahora bien, la funcin caracterstica puede servit de caracterstica probabilstica completa de un vector aleatorio. Conc;icicndo
la funcin caracterstica, se puede hallar, por la frmula (3.5.4), la
8*
116
. . . , /..,.)
Jt.
" +. . . +1'n
""J
.= i
- oo
. .
"
)
__,,
~ X
;.r;
x nn.
_..,
(et+ .. +~ g
11
""~'o..~
k1+. . +J<n
(kit . . ., k.,
= O,
obtendremos
(..1o ., An) ]
. '. d'>J;."
(3.5.6)
1, 2, . ..),
o bien
..
ga(i..)~ ~ ~X)/i(z:)dx,
(3.5.8)
~~
'
H7
.aonde ft (x) es la densidad de probabilidad de la magnitud al eato-1i'ia X. Al tomar la transformacin invrS'a de 'Fourler, hallaremos,
,segn la frmula (2.4.3), l a densidad de probabilidad de la magnitul!,
aleatoria Y:
00
!2 (y) ""' 2~
(3.5.9)
-oo
De uo modo anlogo se h allan, con ayuda de l as funciones caracterst icas, las leyes de distribucin de l as funciones vectoriales
de las magnitudes aleatorias. Si las co~ponentes del vector aleator io Y son las fwlciones univocas conocidas de las componentes del
vector aleatorio X:
Y-'= QJ11 (X., .. ., Xn) (k = 1, .. , >n),
(3.5.tO)
entone~
Kz (A.t, , A.,,,) =
..J J..
- oo
exp {i IJ..iipt(x.,
.. ., Xn) + ...
-oo
dx,.,
(3.5. 11)
t~ (Ys.
, Yrn) =
(2 ~)m
..
J .. J exp { -
i(A.1!11
+ .. + AmYm)} X
-oo
(3.5. 12)
Y= X,+
X1.
z, -
1/2b si
h,(.>:.)= { O
si
>
l z 1 l < b.
jz2
I>
b.
H8
L~cloriales
/!y (l.)=
..!b J dx1
-a
-b
J
=Tab
l)..:(
dJ:
-a
e'f.x dx.,
-b
..,
fd11)=
~(!/)
t
= 21111b
..
f
.l
.:oo
2~
J . -v.ugy
{) cli>.=
- oo
- i~Y
00
-a-b - la-61
la - 61 a+6 y
=21iai}
__;_ s.
cos?...senl..asen/.;b J
?,.2
A-
- oo
Fg. 3.5.1.
:lJ\ab
d1'..
.J
o
00
= 4:ab
J[cos(a- b+y)t.-cos(a-b-y)l,cf>..
De aqili,
11:Pli~ndo
he.liamos
1
119
---
2c12 (z-a)(-b)
+en (y-b)2J} ,
(3.G.i)
/,(x) -=-
Y 11~~-ii=
cxp {-{-1c11(x-a)2
-oo
b):I} dy ...
= V 11u2n
..
{-{-2c,i(z-a)v+c~u2 1}
_}
exp
dv.
(3.6.2)
I e"'_,..,~ dt = -~e
.,s
.= .
41
<"6.3>
-oo
r.. -+
exp {
f2c,dx-a) v+ c211Pt} dv =
= , / 2.:i exp { c}, (z-a~}.
V cu
2t1:
(3.6.4)
cllc:;:cr. (z-a)'} .
(3.6.5)
120
m ,,=a,
Dx
(3.6.6)
el( {- CuCaz-cf,
I 2 (Y ) =-,V/ C11Ci2-C~.
2cun
P
2cu
-b)2}
(3.6.7)
Al comparar esta frmula con (2.5.12) resulta que la esperanza matemtica y la dispersin de la magnitud aleatoria Y Re definen por las
frmulas
(3.6.8)
Pata determinar la densidad condicional de probabilidad de la
magnitud aleatoria X con respecto a Y, apliquemos la frmula (3.2.8).
Sustituyendo en ella las expresiones (3.6.1) y (3.6.7), despus de
simplificar obtendremos
/1=(z !y)=
=
v~
exp
{-ir
C11
o bien
11(.e1 Y)= V ~~ exp { -
'~1
x -a+
(3.6.9)
/2{ylz)=V;: exp
(3.6.10)
12t
l.
.
(3.6.11)'
. Al comparar las expresiones (3.6.5) y (3.6.7) de la,.s densidades.de probabilidad no condicionales con l as (3.6.9) y (3.6.10) de las
densidades d probabilidad condicionales de l as componentes de. un
vector aleatorio normalmente repartido, se desprende que eSias
.~omp-0nntes son por lo comn magnitudes aleatorias dependientes.
Y soJamente en caso en que c12 =O, las componentes de un vector
aleatorio bidimensional normalmente repartido son indepen!lientes.
Dmos la interpretacin geomtrica de los resultados obtenidos.
La ecuacin
c11 (x - a) 2
2c12 (x - a)(y - b)
c 22 (y - b)' = 2k2 (3.6.12).
cualquiera que sea el valor k, es la ecuacin de la curva central de
-segundo orden con centro en el punto (a, b). Como el discriminante
D = c 11c22 - e~. es positivo, entonces esta curva representa una
elipse. Si se considera k como parmetro, a la ecuacin (3.6.12)
le corresponde una familia de elipses concntricas semejantes. En
todos los puntos de la elipse correspondiente al valor dado del parmetro k la densidad de probabili.d ad f (x, y) tiene un mismo valo1"
y = b-.:J.!.(x-a),
Cz2
(3.6 .14)
Cap. 3
122
"1axnUud~1
akatqrltJ.t rutorln/,.
(3.6.15)
De aqui se ve que las componentes de un vector bidimensional norma lmente repartid o son independientes precisamente cuando, y solaniente cuando, los ejes del diagrama de dispersin son paralelos
a los ejes de coordenados.
Hallemos ahora el momento de correlacin de las componentes
X , Y del vector bidimensional , aleatorio norma lmente repartid o
(X, Y). Sustituyendo en la frmula (3.4.7) la expresin (3.6.1.)
.Je la densidad normal de probabilidad, teniendo en cuenta que l as
-esperanzas matcmLicas de las magnitudes aleat orias X y Y son
iguales a a y b respectivamente, y cambiando las variables
1 = x - a, v = y - b, obtendremos
k "V -= 1/c11c11-ci-:
2'"\
X
..
..,
(3.6.16)
(IQ
l?ara cumplir primeramen te la integracin con respecto a 11, aadiremos los tr111inos en el exponente que contienen v hasta que se
-0btenga un cuadr ado perfecto. Para esto conviene adicionar y restar
-en el exponente la magnitud cJ, u1 . E ntonces obtendremos
k:xy -
..
Vcu~~-cl, J
-oo
en
exp
{-
cuc~;c, u'} du X
+ c,i u
J (t -
C22
123
en la integral interior,
00
:::
u) exp { ~~t~} dt
-oo
_
xu-
-V2tf.
., /cuca - ch cu
-v
2ncu
-;;;;- V(c11c22-cf~)3 .
simpliica~iones
correspondientes, obtendre(3.(i.17)
k:r:y=
f
Ct JC22 -
C1t
(3.6.18)
124
Cu= D,,p~- kh
C12
=-
DxD:x:.. k';,v
D,,,
C22=
J1
'
D,,,Dy - k~v .
'
(3.(i. Hl)
1
)
exp { -
{3.6.20)
12:">
(3.7.1)
.....
il{(Z ) = )
) (x-ly)f(x, y)dxd=
-oo -oo
...
00
-oo - oo
o bien
-OQ
-co
(3.7.2)
zo
120
Cap. 11
wr.Jorlal.,
Ahora Lien, la dispel'Sin de una magnitud aleatoria cou1pleja esigual a la suma do las dispersiones de las partes real e imaginaria
de la misma.
De la definicin del momento de correlacin (3.4. 7) de una mnguitud aleatoria rea l se deduce que el momeuto do correlacin <le una
magnitud aleatoria consigo misma es igual a su dispersin. Al hacerse
extensiva la nocin do momento de correlacin a las magnitudes
olealorias complejas, es natural que se tienda a conservar esta propiedad. De acuerdo con lo dicho, el momento de correlacin de las
magnitudes aleatorias complejas
(3.7.5)
IX6Y0 J.
(3.7.13)
IXYJ =
o bien
(3.7 .7)
127
Estudiemos a.hora las propiedades. fundamentales de las esperanzas matemticas. En .este caso, para la universalidad, consideremoS
que las magnitudes aleatorias que se examinan y todos los nmeros.
.que se encuentran pueden ser t11nto realeS 1omo complejos. Esto nos.
onceder el derecho d~ aplicar iodas las frlJ1ulas obtenidas a la,smagnitudes aleatorias complejas, lo que necesitaremos en Jos captulos sucesivos al estudiar l a teora de las funcines aleatorias ..
La esperanza matemtica de cualquier, magnitud no aleat.ori'a:
es igual a la propia .magnitud
M (e]
=e,
(3.8. 1')1
En efecto, la magnitud llo aleatorja e tiene un solo valor posible cy la probabilidad de que tome este valor es igual a la unidad. l)or
eso, aplicando la frmula (2.3.1-4), obtendremos precisamente Ja
frmula (3.8.1 ).
La esperanza matemtica del producto de una magnitud no aleatoria por una aleatoria es igual a l producto de la primera magnit\ldi
por l a esperanza matemtica <le la segunda:
M kZI
cM IZJ.
(3.8.2)>
j j c (x + iy)f(x,y)dxdy=
=ac r j (x + iy)f(x, y)dx dy = d11Zl-
-co -oo
-oo
-!);,)
rx + Y] = M
[XI
+M
[Y).
(3.8.3)'
Primeramente demostraremos estu propiedad para l as magnitudes aleatorias re<Jlcs. En este ca~o , en virtud de la frmula (3.4.2)>
M[X + YJ=
....
J)
(z -t-y) f (x , y)dxcly=
-oo -oa
-oo -oo
i28
M IX
+ Yl =
M IX1
+ Y + i (X2 + Y2 )1 =
IX1 + Y 11 + iM IX 2 + Yil
1
(3.8.S)
Puesto que para las JI1agnitudes aleatorias reales la frmula (3.8.3)
ya ha sido demostrada, entonces
= M
+ Y,l
+ Y21
M [X1
M IX2
= M
= M
rx,J + M IY1l.
IX 2 l
+M
IY2 1.
vcl
v=al
M I ~ Z,,]= ~ M[Z..J.
(3.8.7)
mu= , .L:
a,,m, V + b.
_,
(3.8.!l)
v= t
\'=1
2J
v~t
a,,,M JZ,,J +b
M[q(X,Y)J=
donde f (x, y) es la densidad conjunta de probaliilidad de las m<tgllitudes aleatorias X, Y . Exprcsanrlo esta densidRd de probal.Jiliclnd
por la densidad ele prolrnbilidad de la magn itud X y por la densictad
condicional de probabilidad de la magnitud Y, segn el teorema de
omit plicacin de densidades de probabilidad (3 .2.10}, obtendremos
.M 111 (X, n i =
""
-oo -oo
(x)dx.
- oo
- w
""
Por
(3.8 .10)
con~igu iento,
Y) I =
(3.8.11)
La magni tud 1V [<> (x, Y) 1xi dopende del valor x de la mag11 it111l
alent.oria X. I'or eso la magnitud M [q> (X, Y) 1 X 1 ropresc: nt u lA
funcin de la magnitud aleatoria X : ;'\tf [cp (X, Y) 1 X] = ~'( X).
La integral en la frmnla (:.\.8.11.) representa la esperanza mntemo-o s3H
i30
Por lo tanto,
M [q> (X, Y) l = M [M' [<p (X, Y)
I XI).
(3.8.12)
[b- !1!..
(X-4)].
e,.
xr
b- ::: {X-a>]]
= =
ab
t31
ab
Hemos deducido esLa frmula para el caso en que X y Y repreaentan las componentllll del vector aleatorio normalmente repartido, para ilustrar la aplicac1n
<le 111 frmula (3.8.12). En el prrafo siguiente deduciremos est~ frmula para
las magnitudes aleatorias reales arbitrarias, empleando un procedimiento con
sidoro.blemente ms sencillo.
1e tD I XI.
_,
(3..4)
v=I
g.
D,L =
~ a,,.1,k,,11
(3.9.5)
"'"1-- l
"
kuc = }~ avC1-1k...,",
(3.H.IJ)
v. =-1
do11clo k. 11 El~ d inome uto de c.orreh1cil11 de l as magn itudes aleatorias X,,, X,, (cunnd.o , = v, la magnitucl k.., representa la dispe1'si6n de la m11gnitud aleatoria X..,). f::n eiecto,
n
....,. M l
~ ~.. xt.~I =
JA.. V=" l
a..,,4',.M [X~Xtl =
Y. fl..:9 1
~
V, .c J
a,411 k,,..
"
Du= ~ l 12 D.,
v-c
"
k..o = ~ a,~.D..,
(3.!l.7)
('.l.9.B)
\-::S.l
U=~ X..,
(3. 9. 9)
\!:t i
= 1,
n), IJ -=O y la
ti
D[UJ =
~ kw.
(3.9.10)
v,- 1
133
no
DiUI=
l.; D,.
(3.9.H)
v~t
a~ = 2j
,~1
a!.
(:3.9.12)
M IXYI
M [(m.x
+ xo
)(m
o bien
(3.9.13)
En el caso particular, cuando se iratn de las mngnitudl'S aleatoria.':\ no correlacionadas reales X o Y, la frmula (3.9:13) toma la
forma
M IXYJ
= m..,mv.
(:Ul.14)
(3.9.'i!'i)
134
a= k,.11 ,
Entouce:s,
D,.
(3.9.20)
Dz.Dy -
'""V 11 ;;;. o,
de donde se deduce l a desigualdad {l.9.15). Cuando D,. = O, la magnitud aleatoria centrada X es igual a cero con la probabilidad equivalente a la unidad, debido a lo cual kxy ... M [XYJ = O, es
decir, tambin (3.9.15) se satisface.
Sustituyendo en la desigualdad (3.9.15) las ralees de lai; dispersiones por las desviaciones cuadrticas medias, podemos escribirla
en la forma
k:t11 I ~ "'v
(3.9.22)
De las desigual dades (3. 9.15) y (3.9.22), as como de l a definicin del coeficiente de correlacin {3.4.9) se desprende que pro11
cualesquiera magnitude~ aleatorias el coeficiente de correlacin
no excede en pmdulo a la unidad:
1r,,u1~1 .
(3.9.23)
135
De los clculos citados se ve que el signo de igualdad en las frmulas (3.9.16), (3. 9.19), (3.9.21) y , por consiguiente, tambin en las
(3.9.1!'.i), (3.9.22) y (3.9.23) es vlido si, y slo si, l a dispersin' de
la magnitud aX - bY, para los valores elegidos de l os coeficientes a
y b, es igual a cero. Pero esto, a su vez, es posible solamente cuando
la magnitud cent rada aX 0 1 - bY 1 con probabilidad equivalente
a la \midad es Igual a ~ro. Ahora bien, en todas las frmu las escritas
el signo de igualdad es vlido s i y slo si, entre las magnitudes X
e Y existe dependencia funcional lineal del tipo
(3.9.24)
Esto permite obtener cierta idea de qu es lo que oaracteriia el coeficient e de correlacin r,, 1,,. El coeficiente de correlacin caca.eteriza,
por decirlo as, el grado de aproxi macin de la dependellcia entre
las magnitudes aleatorias a la dependencia fu ncional lineal. En el
caso de dependencia lineal el mdulo del coeficiente de corrolacin
e~ exactamente igual a la unidad: 1 r.,v 1 = 1. Sl l rxv 1 = O, no puooe
existir dependencia lineal entre las magnitud.es aleatorills . Los
valores de 1r"!I1 comprendidos entre ol cero y l a unidad dotorm inl\n hasta qu punto la dependencia entre lns magn itudes aleat ori as es prxima a l a depend encia funcional lineal.
Ejemplo 8.9. t. 1-hllar la esperanzo matemtica y 1" dieporsin de la freouencia de tm acontocimieotn pam n prueba~ incl e1011dienLeS realizadas en
Iguales oonclieionC5 .
Designemos ror X,, el nmero do vocl'S que sucede el aconteei mionto A
oomu resitltado de la v-sirna pruebo. Cnlculemos la esporanza mntcnillca y
la dispersin de ln magnitud iileatoria Xv. Esta man1l11d tiene dos valores
posibles: O y 1, euyos probabilidades son q = i - p y p, respectivamente. Por
lo tant o, aplic:ando la frmula (2.3.14), ob\.endNrno.'I
mxv = O g
1 p = p
(v = 1, 2, . , n).
"
u-.!.
~ x ...
"i
Esta frmula muestra que la Crecuencla del acontecimiento A es una combinacin
llDeal de las magnitudes al entorios itHlependientes X, .. ., X,. que Tcpresontan
los nmeros dn veces que ocu trn el acontecimiento A on cada una de las pruebas
fl
m.u = .!..n.4.J
~ 111-;( =!.
'1 p ~ p.
n.4.J
V
v-- 1
(::J.9.25)
'\"= l
"
"
o,, ,..J.. Y."=~
'1 P't= !!L.
n"' L.J
n
tl
-..
"~= l
1:1.9.26)
v~L
tambi~n es unn inagu itud afoHoria. Segn los datos del roblem11 , X., ... , Xn
son magnitudes aleatot-ias independientes con igual e-~ranza mat:emtica m.,
IJ.JO. Verminacin dt
101
momentos
137
e guoJ dispct!i6n D". Aplicando lus frmulas (:1.8.!l} y (3.9.7). bailemos la es~ran~a rnalomtica y la dispel':!i6u del valor medio aritmtlco de la magnitud
aleatoria X al dcctuat " exptrimu11tos:
n
n
mu=-k- 2: 111,.vmol
m,.,
Du=~,; ~
D,. =
~".
(3.9.27}
v=l
L11s tesis deducidas en los ejemplos considerados son los Loorewas ws seocillos dt! u11u gra11 cantitlacl ele teo1omus que onLran en 111
parte especial de la Teora de las Probabilidades _que se Hamo t:orrienLomente ley de grandes nm.eros. La ley de grnudes nmeros dtiLcrmin por va terin, partiendo d11 los conce11tos fundnmeutales lle In
Teora de l as Probabilidades, las 1.1ropiecladcs t.lo lol! fenmenos aleatorios !recuentes que so observun 11n la prctica. Ahor a bien, la ley
de grandes nmeros fundamenta la validez de !ns tesis principalo."
ale 111 Teora de la~ Probabil id udes y la posibilithid de Ja aplicacin
prctica de esta teora.
138
'
00
(3.10.3)
(k = 1, 2, ).
- oo
J.. . J<p~
00
..
-eo
-QO
e>~"' (xi , . . ,
Xn) X
(3.10.5)
mom~11t0$
1S9
.,,
m11 =ctf=
J rp(8+:z:)f(z)lk:,
-~
af-= ~
-m
'
a,i:
Du=ct~ - (af)2:
t:n los problemas de In nutomti1~a la magnitud m11 reprosenta de ordin11rio
la porte til do ln seul de saliclu <lol elemento no li11oal quo so 11onsiclor11. l,n
mag:nit11d 0 11 caracteriza 11t infl11unc.in de la pcrtnrliacin en la ~oi nl <lo :1ulidn.
es cloc-.fr, cI uivul d~l r11ido rlr Ml hl11 d~l clmnonto.
Las frmulas (3.10.3) y (3.10.5) son complicadas para la a1licacio prctica, a pesar de que son en principio sencillas. Por eso es
natural que surja la pregunta: se podra sustituir estas frmulas
exactas pero complicadas por otras ms sencillas aunque sean aproximadas? Resulta que en muchos problemas prcticos se puedo hacer
esto con ayuda de la linealizacin de las funciones.
En los 3.8 y 3.9 vimos que si las funciones IP (X) y qi1, (Xi. ...
. . , Xn) son lineales con respecto a sus argumentos, los momentos
de esta.-s funciones se expresan por frmulas muy elementales que
se deducen de las propiedades de las esperanzus matemticas, dispersiones y momentos do correlacin.
Para una determinacin aproximada do las esperanzas matemticas, dispersiones y momentos de correlacin de las funciones no
lineales derivables unvocas continuas de las magnitudes aleatorias, descompongamos estas funciones en la serie de Taylor en la
vecindad de las esperanzas matemticas ~... .. , mxn de las
magni tudes aleatorias X 1, , Xn y omitamos en las serie.'> obtenidas todos los trminos s uperiores al primer grado. Entonces obtenclreroo!!
Y v = <Pv (X1, .. , X n) ~ <Pv (m,, 1 , , mx,,) +
(3.10.6)
donde X~. . .. , X~ son las magnitudes aleatorias centradns c;orrespondicntes.
Aplicando l as frmul as (3.8.9) y (3.9.6) y teniendo on cuenta
que las esperanzas matemticas de las magnitudes aleatorias X~,
... , X~ son iguales a cero, obtendremos para los momentos de las
140
v ,_,
"
""' ( ilq;,. )
.t:J
).r.,. ,;-=rn
/t , l=-'i
'
( 8<p )
~ xt=11li
k"'
ht
(3.10.8)
x1
o
F'ig. 3.10.1.
Fig. 3.10.2.
para las funciones lillcalcs, par11 las funciones uo lineales sern tanto
ms cxacts cuanto ms prximas sean estas funciones a las lineales ei1 el campo de los vnlol'cs prcticamente posibles de las mognitudcs-argwncn tos X 1 , , X,. . Por consiguiente, las frmulas
(3.10 . 7) y (3.1.0.8) son aplicables en aquel caso en que las funcione~
<j>1, , <p m son lo suficiente prximas a las lincules en el campo
de Jos valores 11rcticamente posibles de las magnitudes-argumentos X1 .. . , X n. Si e!ltas funci ones so desvan poco de las lineales
en uua gama considerable del cambio de s us argumentos (fig. 3.10.1),
~n tonces las frmulas (3.10. 7-) y (3.10.8) se pueden aplicar para gran~es disp!lrsiones de las magnitudes aleatorias X 1 , . , Xn. Si
stas fnciones so desvan considera blemente de las lineales
(fig.' 3:10.2), entonces las frmulas (3.10.7) y (3.10.8) son aplicables
solamente para pequcfias dispersiones ele las magnitudes aleatorias
Xt ... , Xn .
3.11. Distribucin normal polidimensional *
La ley normal de distribucin de un vector aleatorio n-d imonsional X con las component es X 1 , ., Xn o b ien, lo que es lo
misrno, la distribucin conjunta uormal de n. m11gnitudes aleatorias
* ) g ) lect.or puede om itir esto prrafo si n perjudicar la comprensin de <":t~i
todo fo sucesivo.
.~
f (x11 , :'")""
(3.11.1)
En e.'ta frmula el coeiicient.e adjunto a la funcin exponencial
represen ta el multiplicador normalizador, elegido a razn de que
La integral con respecto a todas l as variables de -oo h11sta o
sea igual a la uni dad; C representa l a matriz compuesta con los
coeficientes cpq:
cu C12 e,,.
C=
y 1
Czt Ciz
C2,.
(:1. 1'1 . 2)
de esta m11triz
C11 C12 Ctn
1c 1 ~
C21 Cn C2n
Cn1Ct1i Cnn
Observemos que el producto (x.. - a.,) (x 1, - u 1,) para c.u11lesquiera indices v y desiguales entra en la suma do!i veces: una voz
con el coeficiente e, .. y otra con el coeJiciente c ..". Por eso, cuales
quiera q uo sean los ndices desiguales v y , el papel esencial lo
desempea solamente l a suma de los coeficiente$ c...
Cv Por
consiguiente, esta suma, :iin prdida del carcter ge!leral, siempre
se 1uode consillerar djvidida equivalcnt~mente entro los l:lum11ndos
y de est e moclo considcrnr que lo matriz Ces simtrica, es d ecir, que
cpq = Cqp .para cualesquiera p y q.
Demostr emos, ante torlo, qu e las magnitudes X., ... x., examinadas por separa1lo, y cualesquiera combinaciones compuestos 1lc
ellas t ambin estn normalrnonto ropartid11s. Para esto recordemos
que p11ra determinar l a cl1.rnsicli1d de ;prob11hi.lirl11d rlc cierta parte
d e la1 rnagniludes aleal.orias, digamos X 1 , X, (l < n), cs
necesario inLegrnr la densidad conjunta de probabilidad ile toda11
l1ts mogniturles X., ... , X"' con respecto n ltis vnriahles corrospoudientes a las magni t udes 1estantc~ . en el caso dado con respecto a
X1+i. , x,.. En v irtud <' esto regla, la dcnsidml de proltabiliclad
de las magnitudes alentorias X 1 , Xn - ~e ox prcsnr por In
Cap. 3
frmula
(3.11.4)
Pero
n
P. q-
n- 1
p . q.ol
n- 1
+ 2J
q- t
Teniendo en cue ntu que la suma oo dependo de cmo estn designados los indices con respecto a los cuales se realiza la adicin,
podemos sustituir en la tercera suma el ndice de adicin q por p.
Enlonces, teniendo en consideracin que Cnp = Cpn y sacando el
m11ltipliC11dor comn x,. - mn fuera dPl s igno de adicin, obtendremos
n
~-1
~ c1..1 (x 1,-m1,)(xq-mq) =
p, qoo l
'"pi
Cpq(xp - m 11)(xq-m,1)+
n-1
(3.11.5)
,,_ 1
, Xn-1) =
--
=V(~)~
n -1
exp {-}
~ Cpn(Xp-mp)(x9 -n~9)}
p,q- 1
oo
n-1
(3.H .6)
,,_1
e11i-11~1idt= V:i
h.
11"
e4h'
(3.11.7)
143
11 = -
~ Cpn(Xp-m,,), h2 ={c,.,.
hallaremos
11, ... ,n - 1 (x1, ... ,::t,.. 1) =
,. _,
_ , /
- V
!C 1
n-1
L.J
c 1,n<qn )
c,,,1 --;;;;-
p, q I
(3. t 1.8)
Comparando e~ta expresin con (3. 1:1 .1), vemos que la distribucin
conjunta de lns magni tudes X 1, , X,._ 1 es normal. Puesto que
esto es vlido paro cualquier n y la ex.presin (3.11. 'l) de la densidad
normal de probabilidades es ~hntrica con respecto a las variahles
z .. .. . , x., nuestra afirmacin est por completo demostrada.
Integrando la expresion (3.11 .8) sucesivamente con respecto a
z,._ .. z,. _2 , :r2 , hallaremos la densidttd de probabilidad de una componente X 1 del vector aleatorio normalmente repartido. En este caso
nos convenceremos de que la esperanza matemtca de la magnitud
X 1 es igual a m 1 Ahora bien, en la expresin de la densidad de
probabilidad del vector nleatoro normalmente repartido, los nmeros m1, m. representan las esperanzas matemticas de las
componentes del mismo X 1, , X,. : mi! = ni.,., (p = 1, ... , n).
Al dividir la expresin (3.H .1) por (;j.11.8), hallaremos l a densidad condicional de probabilidad de la magnitud aleatoria X" con
respecto al conjunto de lt\s magnitudes restantes X, ... , Xn_ 1:
=V*
exp { - }
~
p, q-1
v,. c2~"
n- 1
2j cin (x 11 -mp)-
,,, ........ 1
n-1
_.!_
Pero
(3.11.9)
kJ
n-J
2.~
11 .~l
n- l
c,,.,cfJ 1,
p-1
y , por consiguient e
{c
Tt.- l
11 0
, .,,
1 ~
-:-
CpnCqn (
- - :t 1; -
cnn
c.
==
J>,q=I
n-1
o=+,C:n.,
{(x,,-m,.)'-L2(x,.-m
""
~ el'"
(xp-lni) [
tnn
0 )
__,
}J-.t=l
n-t
r ~
7r.:11 t
c 1H1
-.-(Xi;-mp)
e nn
,2} 1 [Xn -
f
-'
=-:rCn 11
~
n- 1
mn + ~ -Cpn (x1,-m1,)
)>= l
Cnn
]2
X11-1)=
+~
Cpn
12} .
( x1,-tnr)J
C1p1
(3.11.10)
p= l
Esta frmula muestra que l a disLribucin condicional cie la componnte X,. del vector aleatorio normalmente repartido es normal,
con ello l esperanza matemtica condicional y la dispersin coo(jicional de dicha componente son respectivamente iguales a
(::l.11.11)
145
X2 = m2 + '1'21Y1 + V~.
(.3.11.1 2)
+y.3V2+ V3,
Cap. 9 Mognilutk
146
al~utorios
r;ectoriak
k, 1 ~ y..,,D,
= Yv1k11.
Yv1= k;7'
(3.11.13)
As! pues, tollos loi' col'ficicntes 1'2 1 ., y,. 1 se expresan muy ~en
cilla mcnte por medio do los mouientos de corrclllcin k 31 , . , k., ,
de las magnitudes X 2, ., Xn con X., y mediante la dispersin
k 11 do lu mognitud X 1
Una vez dti lcrmiuado Y21o hallamos Ju dispersin JJ 2 dti la magnitud
nluatoriu Vz. Para esto expresemos por la fr111ula (3.9. 7) la dispcl'sin D"
k~~ de 1<1 magnitud aleatoria X 2 T eniendo en cueJtltt
qua en csLt1 cuso lodos los coeficiente~ y,. 11 son reales, ohieodrcmos
kl1 k ' D
kl, D
:2== kti 11-r i -= ~ + z
De donde
(3.11.1{)
Par11 clct.ermiuar y,.2, expre:!emos por la fnnul11 (3.!J.S) el momcnLo de correlocin k. 2 dt1 liis magniLuclcs aleatori as X" y X 2 Entonces obLondrcmos
- k~,
k vz = i'vt'\'ZtD 1 + Yvz Di = Yvt'\'itk"u T i'vz kuk22
ku
o, teniendo on considerncn (3.11. 13),
z. .., .4,.1ku .L "
""2
k11
rV2
De :iqu hallamo!'
y,~ =
k11k,,..,-k,.1/c%l
kukzi-klt
(v=3, . . ., 11).
(3.11.15)
t47
fs(v3lv1J v2)= ., 1 -
" 2nda
(3.11.16)
v~)
u~
201 -
11:
:.w, -
- Jlv:) 2 }
;u,3
=
(t3-Ctl/1
+_!_.v;
+ 2~u1v
v 11 - 2 ...!!..
v2v~J}.
2 -2...!:..
a
A.,
l\3 1 3
As
De nqu. npl il:ando In frmula (::1.11.8), holl111nos la densiclad conjun-
ta de prubnbilitlad rlo las magnitudes V 1, V3 Ttnicndo en consideracin que en e."k' CASO n -= :).
1
11
C22=o;+
6,, ,
1
af'>
/ 13
(v., v,,)
.-
=JI" J~:,
donde
tu
c.. = a 3
A;
C23 = C:l!!=
C 1~ = C2 1 = ~,
hn ll nmos
C33=
_ .1_
:\ '
0t~f'>2Da
Pero segln lo demostrarlo l as magnitudes 11leatori;1s V, y V3 son indc>en<I i1mtes. J'or con.-iguicnte, e;, = O. f>ero es to pue1le ser solamente
to
148
cuando a = O. De modo anlogo podemos demostrar que de la independencia de las magnitudes V 2 y V 3 se desprende que j} = O. Ahora
hien, la distribucin condicional de la magnitud V 8 , determinada
1>or la frmula (3.1:1.16), no depende de los vttlorns u,, ll2 eta las
magnitudes V, V 2 y, por lo tanto, coincide con la distri bucin no
condicional de la magnitud V3 y, por consiguiente, 3 = D 3 De
11qui se deduce que las magnitudes V1, V 2 , V 3 son independientes
en conjunto. Luego, por induccin, aplicando el mismo procedimient o, se demuestra que las magnitudes V., .. ., V.- son independientes
en conjunto para cualquiera que sea k.
Asl lHle.s, para cualquiera n, las magnitudes aleatorias V" ...
. . . , Vn, que tienen una distribucin conjunta normal, son no correlacionados si, y slo si, stas son independientes en conjunto.
Do iu inrlependencio. rlc las mitgnitudes aleatorias V., ... , V11
determinnhlel! r>or 111 tra1tsforrno.ci6 n de (3.11.12) se deriva que al
sustituir en la frmula (3.11.1) las cxprt>sionas rle las variables
Xtt , Xn determino.das por las frmulas (3.11.12) sustituyendo
las magniLudes aleatorias V 1, , Vn por las variables u 1,
.. Un, todos los coeficientes adjuntos a los productos de las varinhlcs u1, , Vn deben convertir~e en coro, y los coeficientes adjunt.os
n v!/2, ... , u!/2 deben ser iguales a las magni tudes inversas de lits
clispersiones 'l/D 1 , , 1.ID,. correspondientes 11 las magnitud<'S
V1, ., Vn Esta condicin nos permitir establecer las relaciones
buscada.'! entre las dispersioneK y los momentos de corrclaci611 de
las mag11itudes aleatori as X1t .. .. X" y los coeficientes c,,q en
la exp resin (3.1.1 .1) de l a densidad norm al de probabilidnd.
AJ sustituir ea las frmul as (3.11.12) las magnitudes aleatori11s
por l;1s Val'iablcs correspondientes, y las exp resiones obtenidus
x., ... , Xn ea el exponente de la (3.11.1), vemos que los productos
u1v,. se obtienen solamente como resultado de 111 multiplicacin
tle (x,. - mn) por (x 1 - m1) (x~ - ma), ... , (x,._1 - mn-1) Y como
result11do de elevar a l cuadro.do (x,. - m,.). Por consiguiente, el
coeficiento adjunto a v 1v,. en ln expresin obtenida es igual a
Cnl
i.\9
de la matriz (3.11 .2) de los coeficieDtes Cpq y para lo. primera columna
de la matri:I. de couclacin K del v~tor aleatorio sino que, en general, pnra cualquier linea de la matriz C y para cualqllier columna
1lc 111 matriz Je correlacin K con nmeros no coincidentes. Asi
pues, ele (3.11.17), en virtud de la simetra, se dedu.ccn la$ rel acion~s
-1-
C 142k:v
C;nknv
= 0,
(3.11 ,18)
+.-
"
Cpqkpkqt
ll P , t/"'l
Por otra parte, este coeficiente debe sor igual a lu magnHuJ inversa
rle la diSJlersin 1/D 1 - 1/ k 11 de la magnitud aleatoria V,. Por
lo t anto, es vlida la rolllcin
o sea
n
L:
C pqk,.kq =k11.
(::J. 11.19)
'" q..l
'l'ruo~formemos
(3. H. 20)
"
q=I
Cpqkq1 = Cp1k11
"
)-: c1,qk,,akq 1 = (
p.17= \
'l'- t
150
Ct<kq1
g=l
(3.H.21)
-J-
C,,2k2v
-J- .
+ Cvnknv =
1 (v
i, .. . , n).
(3.11.22)
As pues, hemos deducido las relaciones (3.11.18) y (3.H .22)
que ligan Jos elemento;; de la matriz de los coeficientes e, de forma
cuadrtica en el exponente de la expresin de la densidarl normal
de probabilidad con los elementos de l a matriz de correlacin f(
del v!lc t.or alea torio.
Para determioar las dispersiones y los momentos de correlacin
de las magnitude~ a!<Ja todas X 1 , , X,., t omemos todas las ecuaciones (3.H.18) y Ja ecuacin (3.11 .22) correspondiente al mismo
valor q del indice v:
C11k11
c,,.k1q
+ c,.2k 2q + ... +
Cnnknq
= O.
Estas ecuaciones forman un sistema ele ecuaciones algebraicas lineales con respecto a k 1 ,1 , k 2 q, ... , knq U na vez resuelto este sistema,
obtendremos
. kp1
=
C11C12 C1n
C21C2z C2u
Cu 1C11 2
C,tn
(3.11.23)
t5t
= C1,,
Cq >
e,.
C11q= ( -
!)P.,q
(p, g
= 1,
... , n).
(3.11.24)
Esla~ ecuaciones form11n UJt sistema de ec uaciones ulgcbraicas lineales con Tespec.to o. c 1,., cp 3 , , Cpn Al resolver esto sistema de
ecuaciones, obtendremos, al igual que antes:
Cpq
ffi {p, q
= 1, ... , n).
(3.11.25)
152
minante 1 K 1*).
Para lo sucesivo necesitaremos todavia 111 frmula
1C11K1 = 1,
(3. 11.27)
1A 1-= 1C l IK 1= O i
... O
o o ...
= 1,
x exp { -
~J
21
(3.11.28)
P. q=I
153
de probabilidad, obtendrcmO.!!
- -%-
"
(3... 2~}
p, q-1
g (A.i, , An) =
V(~~)~ exp { i ~
TnrAr} X
1'= 1
00
J ... Jexp {
-oo
i [J..1v1 + "2(1'21V1+1>2) + .
+ An (1'n1V1 -!-
-oo
"
+ 'Vn2vi + . . +vn)J- ~ 2
r~I
g (J..i. . . , A.n) =
00
X ) exp { i
l'ntAn) Vt -
...
2~ }
j exp { tJ..,.u,. -
{~,..} dv,..
-oo
"
r-1
~" },~}.
(3.11.30)
1k11
ku 1
kz1 k2z
rn,A., - f ~
"
m,A,-{ ~
~t
kpqApAq} .
(3.11 .32)
P , qc;i\
-f ~'
kpqA.pA..q}
(3.11.33)
P. q.,t
Derivando esta expresin con respecto a las variables A.h /..2, A.3, J..,
una sola vez y haciendo luego A1 = Az = A. 3 = A4 = O, ol.itendremos en virtud de (3.5.6)
(3.11.34)
CAPITULO 4
magni~ud
aleatQria
1SG
aleatorio.
Los, a.r gumentos de las fubciones aleatorias pueden variar ininterrumpidamente . en cierta zona o de un modo discreto. Los valores de la funcin aleatoria de un argumento discreto forman una
secuencia de magnitudes aleatorias llamada sec~nci.a aleatoria.
En la mayoa de los problemas concernientes a la automatizacin o la radiotcnica uno tiene que operar solamente con funciones
aleatorias del tiempo. Por eso, teniendo en cuenta el objetivo principal de este libro, servir de introduccin a la Teoria de las Probabilidades para los que deseen estudiar sus aplicacinoes en el campo
de la automatizacin o la radiotcnica, asi como en el de las asignaturas relacionailas con estas ltimas, en lo sucesivo vamos a exponer el material referente a las funciones aleatorias escalares de 11na
157
variable independiente escalar que cambia continua o discretamen te en cierto int ervalo a< t < 11 (en pa.r ticular, puede ser
a. = - oo, 11 = oo). Sin emhargo, conviene recordar que todos los
mtodos generales de la Teora de funciones aleatrias son aplicables a cualesquiera funcione.s aleatorias de argumentos escalares
o vectoriales.*)
'
La funcin aleatori a se puede considerar como el conjunto de
magnitudes al eatorias X t que repr esentan los valores de Ja misma
para diferentes valores de t;
X 1 = X (t)
(u < t < 11).
Esto quiere decir que la funcin aleatoria es equivalente a un:.c oujunto infinito de magnitudes aleatori as. Por eso el ml!-terial ..c(entfico de la Teora de funciones aleatorias es considei'a:blemente ms
complejo que el de la Teora de magnitudes aleatorias.
Conforme a la definicin, ol valor de una funcin aleatoria escalar, para cualquier valor fijado del argumento t, es una magnitud
aleatoria corriente. En el captulo 2 vimos que cualqu ier magnitud
aleatoria se caracteriza por completo por su ley de distribucin.
Por lo tanto, la caracteristica completa del valor de la funcin aleatoria X (t), para cualquier valor fijado t, os la densidad de probabilid!ltl ele este valor, que de..<iignaremos por / 1 (x; t). Esta densidad
de probabilidad, llamada densidad zmidirnensional de probabillrlad
de l a funcin aleatoria X (t), en el caso general, deptmde de la eleccio del valor de t, es decir, es funcin de t lo que se refleja t.nmbin
en su designacin / 1 (x; t). Aqu el primer argumento x designa el
valor posible de la funcin aleatoria X (t} para un valor de t fijo .
El segundo argumento t sirve de parmetro, del cual depende l a
densidad de probabilidad / 1 (x; t).
Ln densidad unidimensional de prob11bilidad / 1 (x; t) no es suficiente, en el caso general, para una caracterstica completa de lit
funcin aleatoria. Dicha densidad puede caracterizar solamente
cualqu ier ordenada, tomada por aislado, de una curva aleatoria.
En la prctica llevamos a cabo d iferentes operaciones con las funciones al eatorias, en particular, realzamos la derivacin d.e la:;
mismas. En este caso, es necesario examinar los valores de la magnitud aleatoria cuando el argumento tiene diferentes val ores prximos. De este modo, durante l o derivacin es necesario examinar
las ordenadas de una curva aleatoria no por aislado , sino conju11t.;\mente. De acuerdo con lo expuesto fijamos dos valores del argumento
t ; t, y t 2 Los valores X (t1} y X (t2) de la funcin aleatoria, corrC'-spondientes a los valor es mencionados del argumento, pueden caract.e*) V. S. l:'ugachov. 'reorfa de fuuciones aleatorias y su aplicacin a los
del mando automtico. Fizmatguiz, 1962, cap. 8 y 10. (V1m1in
inglesa: V. S. Pugachev. 'fbeory of Random Functions and its Applicntiou to
Control f' roblom s. Pergamon Press, 1965. chapters 8 and 10).
problema~
(4.1.1)
159
~.2.
160
(4.2.1)
m" (t) =
..J x/
_..,
(:e; t) d:i.
(4.2.l)
(4.2.3)
-oo
(t)
=V Dx (t).
16t
(4.2.4)
La esperanza matemtica y la dispersin de la i;nagnitud alea.t oria so11 caractersticas numricas de sus valores para c;,ada valqr d ado
del argumento t. E.Has, en cierto modo, determtoan la banda qu~ se
llena por las realizaciones posibles de la funcin aleatoria (fig. 4.2,2
y 4.2.3). Sin embargo, la esperanza matemtica y la disper.sin
f ig.
4.~.1.
Fig.
ft . ~ . 2.
no delermi nan la conducta de las realizaciones posibles de la funcin aleatoria dentro de la banda indicada. En las fig. 11.2.2 y
4.2.3 se representan las realizaciones de dos funciones aleatorias con
iguales ~peranzas matemticas y dispersiones. Sin embargo, stas
se comportan de u n modo completamente diferente. Es obvio que
a l derivar, por ejemplo, estas dos
funciones aleatorias obtendremos
resultados absolutamente distint os.
P or eso, adems de l a esperan?,a
matemtica y la dispersin de la
magn itud aleatoria, nocesitnmos
conocer el grado dll vari11hUidad
--- de s us rea lizaciones, la rapidez del
cambio de las mismas al vorint el
l"ig. 1..2.s.
argumento t. A ttulo de ejem
plo tomemos dos valores t 1 y t 2 del argumen t o t en los dos grficos
(figs. 4.2.2 y 4.2.3) y separemos una realizacin de la funcin aleat oria eu cada grfico. En el primer caso, el conocimiento de Ja ordet1111lu de la realizaci n cu el punto t 1 habla l)Oco clcl valor de e8ta
realizacin en el punto t2 , corno resu ltado de una gran int.ensidad
d e variacin de todas l as realizaciones de la funcin aleatoria entre los
puntos 11 y t 2 En el segundo grMico, el conocimiento del valor de la
realizacin cuando t = t 1 permite indicar ms exactamente el valor
posible do la realizacin cuando t = t2 Con otras palabras, en el. sogu ndo
()a~o. el conocer el valor de realizacin en el punto t 1 prcticamente
limita de un modo consider able l a gama posible de valores de las
realizaciones en 1:11 pUllto t 2 En el primer caso, Ios va lores d!l las
-realizaciones posibles de la funcin aleatoria X (t1) y X (t2) cu
11 -09;3
i62
Cap. 1
l"aratt1rlnica.~ d~
l1111tlunn al-eatorlt11
~2 l. ..
. .
.
1: .
Q
Xz
: 1:
1-'i. 4.2.4.
.
--
:e,
.
......
.......
.x,
Fig. 1,.2.5.
(4.2.5)
(4.2.6)
K,, (t, t)
D,, (t).
(4.2 ..7)
....
JJ
fx -m,,(t)jfx'-m.x(t')]/2(.r,,x';t,t')dxd.x'. (4.2..8)
(4.2.\J)
n (t , t ')
X
K.~ (1 , t')
-V D,.,(1) Dx (1')
Kx (!, t')
-=-v~===;:::;;;::;=.::::::;:
K., (t, t} Kx ( t', t')
(4.2.10)
Es evidente que la asignacin de la dis1iersin y la funcin correlat iva normada de una fuoci6n aleatoria es equivalente a la asignacin
de la funcin de corl'elacin de la misma.
J';n lo suce~ivo necesitaremos examinar todava el momento
inicial de segu.ndo orden de una funcin aleatoria, el cual se determina
como el momento inicial mixto de sl!gundo orden de sus valores
para los valores arllitrariamento elegidos t, t' de s u argumento:
r,, (t, t') = M [X (t) X (t')J.
\(li.2.11)
El momento de segundo orden de una fancin aleatoria se puede
expresar por su esperanza mntem tica y .su funci6n correlativa.
l\ (t, t') = m., (t) m,, (t') + Kx (t, t').
(4.2.12)
Esta frmula es consecuencia directa de la frmula (3.9.13) para
I~ esperanza matemtica del producto de dos magnitudes aleatorias
y de
Kx{t, t')=MfX(t)X(t')].
(4.2.13)
(4.2.14}
n:
165
X (1) =
h"
(4.2.17)
Xvfv (I),
"-t
donde / 1 (t), . .. , f,. (1) son cualesquiera funciones no aleatoriasi on el caso
general , complejas, y X 1 , , Xn son cu alesquiera magni tudes a eatories con
esperanzas matemtices arbi trariu, pero fi nitas, y momentos de segurnlo orden.
La esperanza matemtica se encuentra para esta funcin aleatoria muy sencillamente como la de u nB funcin li neal de les magnit udes aleatoria.~. Aplicando
la frmu la (3.8.9) , hall amos
,
"
(4.2.1~
examina son,
(4..2.19)
v,i.=I
"
100
O>
de la ireeucucia O:
0>]
D cos w (t - 1 ).
Ahcll'n. >nra b~llnr la funcin correlativa de l a funcin olcatori a X (t) basta
11mll iplit ar Ja iuneu correlativa conicional hallada por el eleroe11to correspoudiC'ute de probobilidnd / (1.0) d e integrar con respect.o a todos los v11l orcs
posibles w d e la IDl\lf11it11d a1eatoria Q. Entonces, teniendo en cucul a quo la
lrencu1mria de oscilac iones es, en su esencia, una magnitud positiva, debido a lo
cual ~u <lonsidad de probabilidad / (oo) o~ igual a cero para w < O, obtond1emos
..
(4.2.21.)
o
Exn rn ineroo~
f ()
w
2a ..,
. d
n (ci~+
21 sien o
(A)
>O
(4 .2.22}
""~
~
c osw{r -t') d
-i +(A)i
W.
(l
Esta i nlc>gral po.cd e !l<lr c.ulc11lada por muchos procedim ien tos. Un mtodo posihle
6e exponu en e l sup lemento 1 el 1lnal dul libro. Aplicando la frmul a (23) deduci
d a en ~I suplem ento, oblend1emos
- 1 1.
(4.2.23J
..J .. . J..
..J J..
(4.2.25}
-oo
r .. (l, 1')-
<> (t ,
4.2. Etptran:f1o
t67
(4.2.27)
mu (t) =
q> (.r)
D,(') -1
/t(z; t) dz,
(4.2.28)
J .
00
Kv ( l, t') =
..
(4.2.29)
Cap. 1 CaracterticM de
168
funcion~
akatorilu
r 11 (t,
t') =
....
!J
!>
(x)
(U.30)
-co -oo
La priwora frmula do (4.2.28) determina la seal til c 11 la salitl a del elorucnto exawi11ado y la segunda, ol nivel de n1ido en la salida del mismo.
Lns frmulas obt onidas en este ejemplo permiten ox81Dinnr el p3SO conjunto
de la~ seiiafos {1tiles y las perturbacionet (ruidos) por cualesquiera ele1ncn tos
caroutes do incrcin de los sistema~ automticos.
Ejemplo 4.2.6. Exawino.ruos un dispositivo que funciona de modo quo.
ol aetuer en la entrada un iropul80 momuntnoo. la variable do salida RU<uiuro
un valo r constanl.-0, proporcional a la magnitud del impulso de entrada, y queda
11)
s,
Q
s,
'
ltS,
...
:-
~1~.~ ,.,...~~~--,.r
.s,
1rs, t
Fig. 4.2.6.
.rt-----r---:
l"
'
....___,
'
Fig. 4.2.7.
invariable hasta que acciona eHmpul<;o siguiente (fig. 4.2.G). Una vei rccl bido
el impulso siguiente, la verla.b le de salida cambia por un &alto su valor y 110 hace
proporcional a la magnitu.d de este impu150. Asl pues, el dispositivo en cuestin
transforma. la sucesin de los impulsos en una funcin escalonada, en la cual
la altura de cada escal n es proporcional al ltlroo impulso accionador. S upongamos ahora quo a la entrada de tal dispositivo llega una secuencia de Impulsos
aleatorios (por ejemplo, el flujo de partfoulas ~adas con dereotes cargas).
Hallar la esperanu matemtica. y la funcin correlativa de la variable de salidn
del clisQ08it1vo dado, suponiendo que los impulsos son. magnitudes aleatorias
independientes.con sperania.s matemticas Iguales a cero y un11 misma dispersin. D, mientras que los momentos de accin de los impulsos forman un flujo
de .Polsson con una densidad media constante (vase el 2.6). En estas condiciopes se puedo coniliderar que el nmero de impulsos quo actuan en el transcurso de cualquier lapso de tiompo se subordina a la ley de Poisson. Ahora Lieu,
l as realizaciones de l a fuooi6n aleatoria en la salida del dispos itivo en cul!l!tin
sern funciones eaeelooada.s con momentos independientes de paso da un eecaln
a otro y con alturas aleawrias de los escalones. La espetanza matemtica de tal
funcin aleatora X (t) es Idnticamente igual a cero, puesto que las alturas de
los 'escalones, pN>po;i:clonales a Jos impulsos correspondiente~. tienen esperanzas
mat emticas IJUales a cero.
Toroemog ahora dos instantes t y 1' y hallemos el momento de correlacin
de las alturas de los escalones correspondientes a estos instantes de tiompo.
Aqul son poslbles dos caM>S (flg. 4.2.7):
1) en
intervalo do tiempo (t, 11 ). a la entl'ada llega, por lo monos, un
Impulso;
101>
(4.2.31}
Vemos que tambin en el ejemplo dado se hn obt enido una funcin corrn
lativa exponeocial.
Ejemplo 4.2.7. Un condensador de capacidad C se carga por el !lujo lle
partlculas que tienen diforcntos cargas, y en 1(19 intervalos antros los mom ontos
de llegu.tla de las partculas se descarga a travs del;reslstor
R (flg. 4.2.8). Hallar la esperania matemtica y lo fu11
cin co1Telativa de la corriente aleatoria que pasa por el
e
l(t)
resistor, si al cond ensador llegan , por lt\rmino medio ,
R
partculas on la unidad de tiempo y las C8!J8S de las par
t itulas son magnitudes ale11t.otlM indeJlend1entts con las
mismas esperaru;as matem:itfcas IJ e Iguales dispersiones D.
Fig. 4.2.8.
Designelnos por Q~ la carga aleatoria de le k-simo
par cula y por r,. el momento ale-torio de ~u llego1la
al coudensadur . En el mome.nto T11, la t ensin " en el condensador ca0thi11 1><11
un Mi to en Qh/C despus de lo cual la magnitud absoluta do esto inr.remcnto"h de ln to11sin disminuyo ~c.gn la ley ex.ponencia!
l -T11
Qh -T<C ..
T
u4-c
~
s1e11do 1>
11.
l - T1t
~ Q11.e
--
(4 ,2 .8~}
2.,,~,
donde la adjciu se extiendo a t odos los valore~ K cOrL"CSJ.IOllilicntes a lns pal'tlcu.las que caen en el condensador 11asta el instante 1 y T ... HC es la asl llamsda
constante de tiempo del circuito.
JiO
P ( ~"'ml
[ (t -s)I"'
mJ
- ( f-)
O 2
m= '
.1.,
'
(4.2.33)
cs~as
pa1'ticulas se
oxpre~a
(4.2,34)
lt=l
Hariendo rospecto al nmero do particul as que llegan al condoDsador on el int01vnlo do tiempo (s, t) todas las hiptesis posibles m = O, t, 2, ... y aplicat>do
'1a frmu la de la esperan7.a matemtica compli;ta (3 .8.12), expresemos l a espe1a117.a matemtica de la funcin aloatorin I (t) por la f6rmnla
<O
M{l,(I}]= ~ P(Em)M[l,(t}JEmi
m-0
(4.2.35)
La esperanza matomtica condicional de la func in aleatoria 1 8 (1} pnra la hip tesis Em debe calcularse h11llando la media robaliilstica con respecto a todos
los valores posibles de las cargas do las parttculas Q/t y a todos los valoros posiL>l"s de los mome!!toS de llegada de las partic'tllas al cQndellSador T,. , siendo Cijo
-el nmero m de partculas que actan en el intervalo de tiempo (t, t) . En virtud
de los teoremas de ac!ici6n y multiplicacin de las esperanzas matemtica!!,
teniendo. ill\ coilsiduaci6n la Independencia de las magnitudes aleatorias Q,.
:y Th, podemosescribir
m
M[I8 (t)1Em]= ; .
1-Th
Jlf
[Qke--T- J-
1'=1
t-Th
i ~ M(Q1<}M [e--T'j.
(4.236)
11-1
Pbra calcular M lcxp {-(t - T,.)IT )J para una partkula que acta en el instant e t = T1, en el intervalo (s, t), es ne.:osario, de acuerdo con la. regla general,
multiplic!U' Los valores de la funcin exponenc ial, correspondiente a todos lo~
vnlores po's ibles r,. en el intervalo (s, t), por los elementos respectivos de prntabilidad e integrar. Como resultado obt.endremos
M[exp{ - (t - T1t)/T} )
Jexp{-1t-i:)/T}/(i:}di:,
(4.2.37)
~.S.
i.7i
habilidad del momento de accin de cnda putfoula tomada por separado debe
considerar~ constante en el intervalo (1, 1) : / ('T) = 1/(t - 1). ,S ustituyendo
esta expresin en (4 .2.37), obtendremos
t-Th
Mle--T-)= l~I
t:.
1-
5~--:-d't-
1-
8
(t-e_T_).
(4.2.38)
t-.s
m
(1- e- 7)-__!_(1
- e- - T
l-1
).
(4.2.39)
M 11 (1)1- ~ [ ~t (1-s))"'
~
m- 1
m!
e-11(1->)
.!!!!J_
t -1
t(1 - .,-7)
-
t-
=qe- ( 1-
t) (
1-e-7)
~ { (t
- - 1}fm~1
(m - 1)!
m- 1
,_,
M (I. (1)]= g
.11<1->.
Por
(l --y).
II (1))
1-'IJ
(4.2.40)
t<T1a~ t ~
(4.2.41)
i72
Ahora nos queda solament41 calcular la dispersi6n tle La corriimte I (1). I.a disrcHl611 condicional de la luncin aleat.oria J 1 (1) para 111 lti~ti!!is wnsiHtonto
eu que on el intervalo de tiempo (4, t) al codeneador llegan "' pHllcul. ~
Igual a la 8Uma de las dispnrsionc.s de los sumanrlns 1)11 la frmula (4.2.34) 011
vl'~ud do la indeP.endencia de los miemos. Para ballar l a disporsin de un sumando en (4.2.34) calculemos 11rimert1ml\nte su momentn inicial dn sr.gu11do ord'"Segn el tt'orcu1a fo multipl1~11ri6n de las espcrallz11s ml\lomticas
M (Qle -~
t- t,.
l-T11.
Luego , ~11 virtud lo l a co1111eidR 1orroladn t'-ll lrl\ 111 11ispcr.1in de la magnitud
aleotoria ~ su mnm~Dlt iniri al do segundo ordrn !frmula (:l.3. H )],
M IQlJ=q' +D,
y la ~Apcranr.a matemtica Jo la funcin Pxpo11e11clal so c.olrnla de lo. mismll'
mllllen que P.O dedujo 111 frmula (4.2.38}. Do aqul, validonos de nuevo do l aconolaeil>n 1>.ntre la dispeTslo y el momento Inicial do s11gundo orden y tenien1lo
en cuenta que la expresin pan la dls>llrsi611 c<>nd icii()Dal d la fundn aleatoria
1. (t), 1IAda la biptosis Em, contiene in sumanrlo., iguales, obtendromlls
Dfl {1) 1 E 1~ m ('I
2+v)
2T(t-1)
(1-e -
z i-
r_
n111
1-
'
{l-s)i
{t-e-T)~
, '+D)
Dfl.{1)- 11 ' 9 T
2
a t-.
t-
(1-- T)-~(1-e-"T")i.
,_,
P a~ando
Dff (1)1 =
11 (q;:D),
(,.2.42)
'+D) -~
11 (92f
e 'l' siendo t'
"> t.
Es evidente r-ne cuando I' < 1, la 11larencla 1' - ten el exponente se sustituir~
por 1 - t'. Como resultado, la runci11 correlativa. du la corri eilte aleatoria en ol
cil'l:~it9 dado J (1) so expresan\, parn todos loe valores t y t', por la fnnuln
l { 2+D)
ii-11
e- - T .K t(t, t')- 1 ~
(4.2.43~
Do esta moiio, as como en los ejemplos 4.2.3 y 4.2.6, hemos obtenido do nuevo
una .fllnci~ correlatlv~ exponencial. No obstante, lais realizaciones posibles
d8'1as fu,nc1onee aleatorias examl.nadas en estos tr~ ejemplos ~ienen un c.ar~cte1"
completa.mente dlforento. En el ejemplo 4.2.3 todu las reahzaeiones J>OSJbles
de la funCJn aleatorio. representan sinusoides do diJerentes Crecuencias, amplitudes y fas911 inciale.!!. En el ejemplo 4.2.6 todas laa realizaciones posibles de la
funci6.n aleatoria son fllJlCiones escalonadas. En el ejemplo dado todas las rea
llzllClooes ))Olllbles de la funcin ale11toria representan funciones dl!continuas
cuya for.ma se mueetra on la. fig. 4.2.9. En el ejemplo 4.2.3 la rapidez de c!t..
173
minuci6n de la !uncin cor relativa al crecer la magnitud absoluta de la d ilerencla de los argumcnt<>S, se determina por la m11gnitud a que caracteriza la gama
de fo~ valnres prictcamento po~ibles ile la frecuencia rlo oscllaci6n. E el ejemplo
aueorior la rapidez de disminuc in de la funcin correlaUva se determion c<>m1>lotamonte por la frecuencia media de los impulsos !" En este ejemplo la rapldoi
dij dismi nuciu d<l la fanr.in c<i rrelatlv no depende on .. b~oluto de lo. Crecuencia med in de l os impulsos v se determina
solamente por la constante
tillD.lpo del cir:;
~
cuit.o T. AS mos, los resulhdt>li de estos
:
Ir~ ejemplos muestran que unft misma fun:--J
:-. _
ci6n cnrrelAl.h-a puede corresponder a dife:
:
: 'i
rentes fu ndoues deat.<lrias. el carcter de las
1
: :
rc3llzadones posibles de las cuales es abso....... .___ __.;;:,__-+--'-'-~
1
lutamente distinto.
Q
1
A titul o de un ejercicio til, proponemos
que el loctor rc.~uelva por si mismo este problema para otros circuitos elctricos, por
ejc.mplo, para el caso en que (11 circuito
Fig. 4.2.9.
a tra,.s Jnl cual se de.scar~a el condensador
licuo 110 .Wlo una resistcnr.1a hmica R siao
tRrohln la induct1U1cia L . En el l timo c330 la h1nci6n correlativa de la corrienui que pasa por el clreuito representar el product.o de la [uncin exponendol amortiguarla por la uf\el6n peri6dfoa de la m&gnilud nbsnlul.Jl de la diferencia de los argumi'nt<s do la rorma
de
v :'
+~
S()ll
J.
(4.2.44)
174
ol~atorl11s
Pig. 1,.3 .J .
Fg. 4.3.2.
superi cio que representa la funcin correlnliva es si1utrica con respecto 111 >!ano perpendicular al plano t, t' y que pasa por la bisectriz
mencionada.
La seguuda propiedad de la funcin correlativa .se deriva de la
propiedad (3.9.15) del 01omento de correlacin ; lo funcin, corr~Ja
tiva, cualesquiera que sean 1.os valores do los nrgnrne utos t, t', no
su1era en mdulo a la ra1. cuadrada del producto de los valores de
la dispersin <le la Iwiciu aleatoria, correspondentes a los valores
t y t del argumento:
(4.3.2)
11 Kx (t, t')
(l
~ O.
(4.3.3)
funci11 corre/.aetva
17&
J=
q:i
a "
(4.3.4)
o o
1
uJ
b
J = M
a a
J = lV/
,,
"
Puesto que la
la variable de
una magnitud
tuyendo en la
"
(4.3.5)
17ti
variable t, obtendrenioH
J
~M
[{
JX (t) q;
(t)
dt}
2
].
(4.3.(i)
11
Es evidente tull est.a magnitud no puede sor negativa , lo que clemuesLrn ln validoz de la dosiguldad (4.::1.3).
X:s liicil v\lr que las propiedades demostradas, salvo la (4.3. 7),
las posee tambin la funcin correlativa normada de la funcin alea
toria. Con ello, en virtud de que la funcin correlativa normada es
igual a la unidad para cualesquiera valores iguales de sus argumentos
t' = t (es decir, en la bisectriz del ngulo de coordenadas del plano
t, t'), la segunda propiedad de (4.3.2) para la funcin couelativa
normada da
(4.3.8)
1 R., (t, t') 1 ~ 1.
~sta desigualdad es tamb in un corolario d.recto de la propiedad
(.;l:9.?3) del coeficiente de correlacin.
En muchos problemas prcticos se necesita examinar conjuntamente varias funciones aleatorias. Para la caracterstica conjunta
cmpleta de dos (o de un nmero mayor) fonciones aleatorias, es
necesario asignar tamhin, adems de las deosidades de probabilidad de cada una de ellas, todas las densidades de probabilidarl conjuntas de SW! valores siendo elegidos arbitrariamente los valores de
los argumentos. La ms simple de las densidades de probabilidad
conjuntas de dos funciones. aleatorias X (t) y Y (t) es la densidad
177
..
Si es conocida la densidad bidimensional conj.unta de'-p robabi
liclad f 11 (x, y; t, t') de las funciones aleatorias X ("t) y Y (t), su
funcin correlati va recproca se puede calcular por la frmula
....
Kxu(l, t') =
JJ
-(.'(>
t, t')dxdy.
-C'IO
(4.4.2)
Sin embargo, en muchos problemas prcticos resulta posible calcular la funcin correlativa reciproca por procedimientos ms simpl(ls sin recurrir al clculo de la doble integral (4.4.2).
Si la funcin correlativa reciproca de las funciones aleatorias
X (t) y Y (t) no es i dnticamente igual a cero, entonces las funciones X (t} y Y (t) se llaman correlacionadas. Al contrario, si l a funcin correlativa recproca de dos funciones aleatorias es idnLicamente igual a cero, est.as. ltimas se denominan no correlacionadas.
Semejantemente a co.mo 80 dedujeron las propiedades de la func in correlativa, se demut1stran la8 siguientes propiedades de la
funcin correlativa reciproca.
Al permutar simultncament-0 los argumentos e ndices, la
funcin corrclatiYa recproca no cambia:
K:r.v (t, t') = Kux (t', t) .
(4.4.3)
Aqu se trata do dos funciones correlativas recprocas y la igualdad
signific11 que, 111 permutar los argumentos, una funcin correlativo
recproca pasa a otra funcin correlativa recproca de las mismas
funciones aleatorias tomadas en el orden inverso. Demos In intcrprotaciu geomtrica de esta propiedad. Para ello construyamos
dos superficies en:cl sistein<1 do coordenadas cartesianas ~. 'J. ~:
~ = K"Y (~, 1')),
~ = K 11 x (S, 1')).
(4.4.4)
Estas superficies representan las funciones correlativ11s recprocas
de 1M funciones alel\torias X {t) y Y (t') tomadas en diferentes rdc
12-0~:is
1i8
Cap. 4
Ca,-o.rtt!rfs lirn.~ d~
.functont& aleatarlns
nes. Tomemos dos puntos (t, t') y (t', t) simtricos con respecto a la
biiroctriz del ngulo de coordenadas. Cada una de las superficies
(4.4.4) es, en el caso general, no simtrica con relacin a la bisectriz
del ngulo de coordenadas. No obstante, la igualdad (4.4.3) muestra
que estas superficies representan una reflexin especular recproca
con res_pecto al plano que pasa por la bisectriz del ngulo de coordenadas s011 y el eje O~. As pues, las Z-coordenadas <le la primera
superficie en el punt.o (t, t') y de la segunda en el punto (t', t) son
iguales.
La segunda propiedad de la funcin correlativa rccpruna se
deduce de la desigualdad (3.9.15), Yiida para cualquier momento
de correl acin. De est a desigualdad se deduce que l a magnitud absoluta de la funcin correlativa reciproca de dos funciones aleatorfos
no puede ser mayor que la media geomtrica de )a13 dispersiones de
estas ltimas:
\ K :<; (t, t') I~ YDx (t) Du (t') =V K x (t, t) K11 (t' , t'). (4.4.5)
En el prrafo anterior fu.o demostrado que al aadir a la funci n
aleatoria cualquier funcin no aleatoria, la funcin aleatoria centrada no cambia. De aqu y de la definicin (4.4.1) se U.educe que
la funcin correlativa recproca de dos funciones aleatorias no cambia
al adicionar a estas ltimas funciones no aleatorias arbitrarias.
A veces, en vez de la funcin correlativa recproca, para caracterizar lo relacin ontre dos funciones aleatorias se usa la funcin
correlattva redproca normada que se determina como el coeficiente
de correlacin de los valores de estas dos funciones aleatorias, correspondientes a los valores elegidos arbitrariamente de sus argumentos:
H. (t t') _ Kx (t, t ')
K x11 (t, t')
4 46)
,.,, '
- y D.,(t)Dy(t')
VK,,(t , t)K y(t ' ,t')
0
(4.4.7)
(4.4.8)
179
funcioo~s
aleatorias
"
"""1
v~I
(4.4.11)
donde U,, . . , U.,. son magnitudes aleatorias y ft, ... , !,.. g,, . . . , g.,. son ci<r
tas funciones completamente determinadas, en el caso general, complojas.
Las funcionos aleatorias X (t) y Y (t) son funciones lineales <le unas mismas
magnitudes aleatorias u,, . . ., Un. Por consiguiente, aplicando la frmula
(3.9.6) para el momento de correlacin de dos funciones lineales de las m11gnitudes aleatorias, obtendremos
n
K:cy(t, t')=
kvfv(t)g (t').
(4 .4.12)
\1,)1=1
n
Kx (1, t')= ~ I>00 f,(t) Kv(l ").
V=1
(4.4.13)
alt>atorias
X (t) = 'P (t, u . .... Un), y (t) = .;(t. u,, ' ... Un).
(4.4.14)
considernndo conocida la densidad de probabilidad de las n1:ignitudes aleittorias U ,. ., Up..
Conforme a la definicin general de la esperanza matemtica de una funcin arbitraria do las magnitudes aleatorias pod emos escribir
f,.y(t, I') =
j ... _.,.
(4.lo.15)
180
(4.5.4)
+ K 11 (t,
t')
+ Kx 11 (t,
+
t')
(4.5.6)
181
Las frmulas obt.enidas se hacen fcilmente extensivas a cualquier nmero de sumandos. La esperanza matemtica de la suma
de las funciones alea torias
" Xv (t),
Z (1) = ~
(4.5.8)
v~t
(4 .5.9)
La funci n correlativa de la suma es igual a la sma de 111s f nciones correlativas y de tod as las funciones correlativas .recprocas
de los sumandos:
n
= V, ~
K,, ,. (t, t'),
11~!
V
(4.5. 10)
donde Kx..,"' (t, t') es Ja (uncin correlatha reciproca de l as funciones aleatorias X" (t) y X 14 (t) [que coincide para I' = v con la correlativa Kx.., (t, t') de la fu ncin aleatoria X.., (t)J.
En el caso particu.lar en que las funciones aleato rias X 1 (t}, . . .
. . . , X,. (t) no estn correlacionadas, toda!! sus funciones correlativas reciprocas son iguales a cero y Ja frmul a (4.5.10) toma un a
forma ms sim ple
K ,(t, t') =
2:"
v= I
(4.5.11)
= ~,<'>
(li..6.1)
182
dteDtOS
niu, (t) =
m~ (1).
(4.(i.2)
11
(1 t')=M[dXO(t) ~l=
'
dt
dt'
8
= M [ 81 ;,, {X(t) X(t')}] = 8:;,. M IX(t)X(t' )J.
o bien
K
111 (t,
,
iftK,. (1, t')
t) =
IJt 81'
(4.6.3)
o bien
(4.6A)
(4.6.5)
.~ ~.6.
188
(4.G.6)
(}/P(}'JI
(4.6.7)
De un modo semejante se deduce la frmula para la funcin correlativa reciproca de las derivadas de los rdenes p y q dida !unci!)
ale11tori11 X (t):
K
(t t') = a1>+0K,, (t. t'l
(4.G.8)
UpVq
'
qtJI 8t'q
111x(t)=a+bt+ct2,
1].
14 6 9
>
0
Por In frnmla (4.6.2) hRllumos la csporaniu roatcml\Licu de In derivuda
Y, (t) - X' (1):
(1)=m;. (t)=b+2ct.
(4.6.i O)
Kx (t,
S-On>o 11- 1
"'u,
Parn hallar la fm1c.i611 corrcl atv~ de 111 rlerivadal dotcrn1in arnos primeramente
la fonci6n corrclal\'a rcclproc.a de l a fuocin 11 cutoria X (t) y su 1IOl'ivnda.
Aplicand() la frm11la (4.G.4), obteudre mos:
1) si 1'
>
0~,
. -l1 (l'-I) [
- -D at~Cll3
:l) sl t'
<
J} =-
,-a(l'-l) S(ID
0~,
son6l0
+<a>~
(t-1')]} =
(l)o
K,,~
(4.6.H)
Ah<?ra :<e puede deLerm nar por la frmula (4.6.5) la funcin c<>frelativn do la
derivada Y, (t) - X' (t); como resultado obtondremos
184
<
2) si t
> l
c-a<l- t ' ) [
~ sen w0 (t-t')
J.
Todns osta.~ frmulas se pued~11 reducir a una sola frmu)Q vlida 1n1ra Lodos
los t y 1':
K 11 (t, t')=D (a2
1
(4.6.12)
la (4 .6.4) dn
si t < t'
X&/1
s i t'
<t
(4.6.14 )
'dt '
v.
Fig.
111
(t, t')
(4. o.1.5)
donde / (1, t') es una Iuncin continua que se determina por la frmula
,
{ 2Det.-Da.e-a (t'-t) s i t < t'.
/ (t, t ) =
(4. G.16)
DCT.e-o. Cl - I')
si t>t'.
1,.1).1 .
~s .. ftnci~n.
(1, t')=
K 11, (t, t)
-Da-2
+ 2Da.() (0) =
eo.
al~a/orla
Y (s =
(4.7.i )
Jg(s,t)M [X (t)lclt,
b
o bien
m,1 (.~) --"'
Jg
(4.7.2)'
Estn frmula es la gencralizncin ele Ja frmula (3.8.U) para la espcrnnza matemtica de In fu ncin lineal de mag11itmlcs a leatori11:<
corrientes.
Luego, s ustrayendo (4.7.2.) 1le (4.7.1), o btemlrt'mos
}' (.~) =
/>
Jg (s, t) X (t) dt .
n
I (s' ,
r.
=M
g (.<, t} X (t) di
M' [ .\
n ''
b b
i/36
o l>ie11
Kv(s, s')~
K .Ty (t, s) =
(4.7A}
Du (s)
= Ky (s, s) =
.~
(11. 7.5)
a a
X (t) dt,
{4.7.6)
:si
mx(l)=a-1-bt,
}
K,, (1, t')=D-'11-l'I
(4.7.7)
K 11 (s, 1')=
' '
'
~ ~
.-o:
'
(l-I')
<
187
r' o frece
dtdt'=
[ 1_ 0 -at
--et
~
o
-a<'-ll-t] dt=
et
donde m!n (s, s') es el menor de los nmeros s, s'. La dlspc1'Si6n de la integral
de la funcin alcMoria X (t) ee determina por la frmul a obtenida cu andn
s' = 1:
(U.t)
Ejemplo 4.7 .2. Hallar la csperanu matemtica y la desviBcin cuadrtica
media de la deriva del groscojJio {t) bajo la i nfluencia del momento olo.torio
hf (1) durante el tiempo t si l a esperanza matemtica de este momento os con.-;tant~ e igual a m, mientras ue
(4.7.11)
Hac iendo la suposicin, corriente en la teora aproximada do los giros.:opios. de que la direccin del vector del momento cintico del giroscopio coincide
con la del eje de ~u rotor rocordando que, en virtud de unaley conocid& de l a
Mecnica , la velocidad de extremo del vector del momento cintico es Igual al
momento de las fuerzas que actan sobre el giroscopio, podemos escribir
9(1)=
! \
M("t)dT,
(4.7.12)
188
ranza matemtica y la dispersin <lel ngulo de deriva a., iiroscopio O (t) sou:
t
1
me(1)=7T
mt
Jr mdt=--
(4.7.13).
Do(l)=~a
1 1
JJ[(
111
('<, T')d.TdT' =
o o
1
=.17~
fz
1
'
J\
'(
1 J
o
= ~
J~~(i-t-" 1 -aee- 1 ).
(4.7.14)
Estas', frmulas muestran que la derivn sistemtica del giroscopio bajo In accin do la com ponente constante del momento crece proporcionalmente al tiempo y la desviacin cuadrtica media del ngulo do deriva del giroscopio, baje>
el efecto de la componente aleatoria <lel momento, tiendo a la magnitud constante '1.D/FPa. Cuando m = 10 Ncm, D = 210-41\-. . cm", H = 2 Ncm, a.=
= 0,5 r', la der iva sistemtica del giroscopio constituir, on vir tud de la
frmula (4.7.13), aproximadamente 52' <luranto 5 mio y el valor limite de la
desviacin cuadrtica media de la deriva del ~iroscopio, en virtud de la fr
mula (4.7.14), es aproximadamente igual a 1"9.
ii
mark1>11ia11~x
.t 89
m;=a+brA
(r=O, 1, 2, ... )
(l.. 8.4)
y la furn;in correlativa
K~.=Dgl-I ,
q=e - at>. .
(4.8.5)
t llO
los trminos parece extenderse slo a un nmero pequeo de trminos vecin os. Tales secuencias aleatorias se llaman cadenas markovianas. Ahora vamos a dar una deJlnicl6n exacta de las cadenas
markovianas.
L a secuencia aleatoria {X,} se denomina cadena markoviana
simple, si la ley cond icional de distribucin de cada trmino de la
secuencia X, con respecto a los trminos anteriores X,_ 1,
. . . , X,_n, para cualquiera n > 1, depende solamente del valor
que tomo el trmino precedente de la secuencia X , _1 As( pues, la
secuencia aleatoria es una cadena markoviana simple, si la densidad
condicional de probabilidad de cada uno de sus trm inos X, coo
respecto n los trminos anteriores X , ." .. ., Xr-n> para cualquiera
n > 1, es idnticamente igual a la rlensidad condicional de probabili<latl X, con respecto a X,_1:
= f, (z, 1z,_1)
(11 = 2, 3, ...).
(4.8.6)
J, (x,
1 :t'r .. lt
G
/,
X r -h X r- l - H ., Xr-n} a
(x, 1Z r - 1>
:e,_) (n = l
+ 1, l + 2,
... ).
(4.8.7)
m:
k:,
v,
-=o
(4.8.8)
Gil decir,
y X, no estn correlacionadas p&ra cualquina $ < r. Pero como
la distribucin conjunta de 183 roagnitudes F,. X, , , .. , X, es oormal, entonces, de lo demostrado en el 3.H. se deduce que I~ maqoltu:t'v, no dependo del
conjunto de magnit udes X , , , X,~ para cua lesquiera '" .. ., ~ < r. Por
1
.~
H)t
= "" =
:z,_,, ... ,
x,_
f (:e
r
) = / , (r,_L, .r,) =
r- 1
Ji
(x, _ ,)
, (r ,..,
x,)
(/i.S. l'.!)
ln+t
(Xr -n . .,
...
(4.8.'13}
val ores,
cualesquiera
qu11
sean
los valores
rnnrkovia-
ua simple.
CAPITULO 5
(t) ==: mx (t
Kx (t, t') = K ,,(t
mx
ll.),
+ ll.,
t'
+ L\)
(5.1.1)
(5.i.2)
/!,,.
(f>.1.4)
t', 0).
cons~ .
(5.1 .5)
t' ) = kx ('t).
't
= t - t' .
(5.1.6)
Ahora bien, si la funci11 aleatoria X (t) es estacionaria, entonces, dondequiera que elijamos un intervalo 't de longitud dada en el
eje de la variable independiente t, loa valores de la funcin aleato13- 0~38
194
prtn~tpal11
195
As pues, la funcin
correla~iva
i:=t - t'.
t OO
= D ,,e-" rI cos
ro 0-r
(5.1.10)
Wo
1 i: 1).
(5.1.11)
f i:;. 5.1. 1.
fig. 5.i.2.
'
.~
197
'' t ' ) =
k" ( )
"
'T
(p = i , 2, ... ).
(5.1 .12)
Fig. 5.l k
Dos funciones aleatorias del mismo
argumento X (t), Y (t) se llaman estaclonariamente li.gadas, s i s u
funcin correlativo recproca es funcin de la diferencia do los 11rgu men tos:
(5.1.13)
K,. 11 (t, t') = kx (i;) T = t - t'.
Grficameute esto significa que la curvo. kv:x: ('t) es lo. reflexin especular de la curv a k"Ji (t') con respecto al eje do ordenadas (fig. 5.1A).
La desigualdad 14.4.5) para lns funciones aleatorias X (t) y Y (t)
est11cionori as y estacionariamente ligadas toma Ja formn
(5.1.15)
r "' (i;) =
r - {T) xy -
kx (T)
kx () '
k.,.v (i:)
Vkx
(O} k 11 (0)
(5.1.16)
(5. 1.17)
198
4.:u. La funci n corcelativa rodpnl tlc las luucionos aleat11rius X (1) y Y (t), eu virtud de (3.9 .8), se determina
por Ja frmula
K"y (t, 1' .,., -D cos O>I s~n <~ot'
n sen (J)o! cos t>lol' = )) $01\ lllo (t - /').
Asf p>ll'S, HS f11ncioncs a lo:utorias X (1) y Y (t) son est.acionnriamente liga<ln.
Ejempl o 5.1.6. Examinemos ahora las funclones uleaeorias
X (t) = 7, cos ~>ol
U s1m (J)ot. Y (t) = Z cos ~>ol
V ~eu Wot
= K 11 (t,
t')
= n cos
01 0
(t -
t').
Siu embargo , slas 110 son ligadas estadonarinmente dc.hidn r1 que su funcin
cmrclativa recipro(.n
K.t!I (t, t') = M [ X (1) Y (t' )I ~ D e.ns c~t cos cM'
no
1~
funt;iu do In <liforcncin t -
t'.
,,
- -
"-x
'"t .
A.~ puo~.
En pnrticul ar, l a funcin correlativa recproca do una funcin aleato ri a estacionaria X (t) y de su primera derivada se determina por
Ja frmu la
Si la funcin corr,elat iva k" () de la funcin aleato~i a estacionaria X (t) tiene continua la primera derivada, ent onces k~ (O) = O
ya que, segn (5.1.8), k. (T) tiene el rox.imo cuando 't =O. Si la
pri mera derivada do la funcin correlativa es d iscontinua en el punto
=O como, por ejempl o, en los casos (5.1.9) y (5.1.10), entonces,
debido a la paridad de la funcin correlat iva (5.1.7), su derivada
199
Examinemos todas l as funciones aleatorias que se pueden componer de l as sinusoides de diferen tes frecuencial! con amplitudes
y fases aleatorias. Tales funciones aleatorias se expresan por la
frm ula
..
(5.2.i)
\ 1-;a l
= D.,.}
(5.2.2)
200
Entonces, la funcin correlativa de \a funcin aleatoria x .. (t) representar el momento de correlacin de dos funciones lineales (5.2.3)
y (5.2.4) de las magnitudes aleatorias no correlacionadas U v y Z,,
para cuyo clculo se puede aplicar la frmula (3.9.8). Corno resultado obtenuremos
Kx.., (l. t') = Dv sen >vt SC!ll >vt' + DvC'OSW,t cosw..,t' =
=DvC-OS>v(t-t').
(5.2.5)
Esta frmula muestra que todas las {unciones aleatorias X,, (l) :son
estacionarias. Sumando las expresiones (5.2.5) correspondientes a todos los valores v de 1 hasta n, hallaremos la funcin correlativa
de la funcin aleatoria X (t) que tambin depender solumente do la
diferencia de los argumentos 't = t - t'. P or lo tanto, la funcin
aleatoria X (t) determinada por la frmula (5.2.1) es estacionaria
y su funcin correlativa se expresa por la frmula
"
kx(T)= ~ D..,coswv
(f1.2.6)
v=I
ri
incluso para n
oo
(5.2.7)
20!
D.=y)
-T
2 f
(.).2.8)
(v = 1, 2 . .. ).
Dv=y J k., {-t) COSIDv't di:
o
De la frmula (5.2.6) se deriva que para n = oo la dispersin
de la funcin aleatoria X (t} se determina por la frmula
""
(5.2.0)
D,, = k,_. (0) = },; D,..
V=I
00
X (t) = m.,, + ~ [U,. (<i>v) sen <i>.,,t + Zr (ID.,) CuSIDvl] >. (!.2.H)
v=l
u.,
/\<iJ
sI (ID.,) w,
donde
2 ("
~~:;- J k,,('t)COSCOvi:di:
u
*) Al ili s mirmir <1>. el 111wero de sum~udos en (5.2. t} 1) 11 cualq1Jio1 intervalo dado de Ir~cuenc.ias (l', co") crece invursamonte proporcional 11 <iJ. Para
que en este ca!S-0 In componente do Ja funcin aleatoria, que cae en este in tervalo
~ e frecuencias, no aumente infinitamente, es necesari9 que cada sumando en
(f.>.2.1) sea una mRgnitud iufinitamente pequeiia de orden l'!.co. Por eso conviene
separar el multiplicador de u.., y z.., on forma explicita.
202
.. sI
k.~ (i-) = ~
v,..1
(5.2.13)
Dx = kx (0) =
(5.2.14)
En las fnnulas (5.2.11), (5.2.13) y (5.2.14) se muestra con evidencia que si queremos obtener una funcin aleatoria estacionaria
con dispcrsi6n finita, entonces, aumentand o el nmero de sumandos
en la frmula (5.2.11), debemos disminuir proporcionalmente estos
si1mandos. Con otras palabras, aumentando el nmero de frecuencias
en e)! intervalo dado, debemos di~minuir 1>roporcionalmente las
dispersiones de las sinusoides separadas para que la sum a de las
d ispersiones de todos las sinusoides en el int.ervalo dado de frecuenci11s quede finita.
Lls magnitudes Ur (wv) y Zr (rov) en la frmula (5.2.'11) ~e pue<len considerar como los valores de las fu11ciones aleatorias del argumento discret-0 que toma solamente los valores ro 11 i, . . Anlogamente la magnitud sI (w"), que se determina por la frmula (5.2.12),
~e 11uede considerar como funcin del argumento discreto que toma
los valores Wu w2 , En virtud de las frmulas (5.2.10) y (5.2.2),
las funciones aleatorias Ur ((J)v) y Zr (<i>v) no estn correlacionadas
y, adems, los valores de cada una de ellas, al tomar el argumento
diferentes valores, no estn corrclacionodos:
M [ UT (c.lv) Z1 ((J))]
M [UT
(~v)
UT {l ..))
co",
(t) "
(5.2.15)
Wv-
(v=1, 2, .. . ). (5.2.16)
= D IUr (ro,)l
(.(J)),
5.2. Etriu;turo.
d~
u11a
203
..
=D[Ur((J)v)]Al=si(w..,)(v = i , 2, ... ).
(5.2.18)
(5.2.19)
Pero
represonta la funcin correlativa de la funcin aleatoria Ur (4>..,).
Por lo tanto, la frmu la (5.2.18) se puede escribir en la forma
..
=I
=si (w"}(v =
1, 2, ... ).
(f>.2.20)
..
(5.2.2'1)
Ssx
(l)
= ~
:i
..f
~
(5.2.22)
Cap. S
/l'unclon~
okatorta8
~a<:lonarliu
s;
..f
(5.2.2;1)
111 sustitucin anloga en la frmula (5.2.14) da Ja s iguiente expresin de la dispersin de la fuDcin aleatoria X (t):
...
Stx
(>) de.>.
(5 .2.V.)
(5.2.2!i)
.,,
D 1Xe1, ,.,,(t)J =
Js
1"
(>)do>.
(5.2 .2!i)
f~l
205
=- ro+ Aoo:
"'+""'
Js
1 ,.
(0>) dci>.
"'
(1)
y apli-
De aqu est claro que la funcin s 1" (ro) carncteriza la densidad con
q ue las dispersi on es de armnicos separados de la funcin alea toria
(5.2.2'l} van repartidas por el espectro de freeuoncias.
En virt ud de las propiedades estudiadas de la funcin s1,, (eti) esta
fun ci611 se llama densidad espectral de la funcin aleatoria estacionaria X {l). La integral de .la densidad espectral
.,
S1.- (<o)=
S1x
() d.
(!).2.27)
..
~
SCll Ca>t'
k,.('r)-- dT.
't
(5.2.2\J)
I<u ((!),
(5. 2.31)
li
K 11
(~1, l')
Kz (ro, ro') =
S1x
() 6 (w' -
w)
(5.2.32)
K.,, (6>, (J)') = K, (cu, w') =Vs1.. (6l) s1,, (w') i3 (cv' -w). (5.2.33)
Para cualquier '"' =fo > la ltima expresin de esta frmula es igual
a cero, lo mismo que en la frmula (5.2.32). Cuando '"' = , el
multiplicador adjunt o a la funcin delta en lo frmula (5.2.33) lo
mismo que en la frmula (5.2.32), es igual a
(co).
Vemos que las funciones a:lea.torias U ((J))_y Z (co) de la frecuencia
oi disponen de una serie de propiedades par ticulares. L os valores de
s,,,
207
"
(;',.2.34)
v~1
V !
"
Six(w) = ~ Dvt5{l-!v) 1
(5.2.3.'i)
\l=i.
donde U1 . , U,. , Z 1 , , Z,, son magnitudes aleatorias no correlacionauas, sitntdo D 1U"1 = D IZvl = D "' reduciremos la frmul a (5.2.21) a l a forma (5.2.1) y la frmula (5.2.23) a Ja form;1
(5.2.B). Es fcil ver quo fa frmula (5.2.22), crue expresa la deusi<lad
espectral a travs do Ja funcin corrnlativa, es vlidn tambin en cst1J
caso. En efecto, sustituyendo eu In frmula (5.2.22) la exmisiln
(5.2 .6) de Ja fu11cin correlativa, obtindremo:;
= ~ ~
v=I
Pero
D.,
208
S1x
(CJ)) =
~ Dv [6 ({J)- 00.,)
+ 6 (Ol + Wy)j.
Pero, como {J) >O, (1)v >O, entonces '" + {J)v, cualquiera que sea
el v11 lor positivo de ro, no se convierte en cero y , por consigu iente,
6 (ro
{J)v) = O (v = 1, .. ., n) y obtenemos la frmula (5.2.:15)
lo que demnestrn l a afi rm acin enunciada. As pues, l as ftm ul as
(5.2.22) y (5.2.2::!) son v lidas t ambin en el cuso de un espectro
d iscret o.
En el caso general, cuando las funciones aloatorias U (l) y Z ({J))
representan l as sumas do las funciones aleatorias U, ((,)) y Z 1 ((,)) del
tipo anteriormente examinado y de las combinaciones lineales de las
fun ciones delta con coeficientes aleatorios no correl acionados, la
frmula (5.2.21) determina la funcin aleatoria estacionaria con u n
espectro mixto , que es un espectro continuo con frecuencias aisladas,
repartidas en l, a las cuales corresponden armnicos ai<llados con
dispersiones finitas. La densidad espectral de tal funcin aleatoria
contiene, en forma de sumando, una combinacin lineal de funciones
delta correspondientes a t odas las lfecuenci os l\isladas.
Asf, bemos estudiado u n a clase determinada de funciones aleatori as estacionarillS que tienen una estructura definida, es tlecir, todn,.
las funciones aleatorias estacionarias quo constnn de o~cllaci ones
armnicos de diferentes frecuencias con amplitudeH y fa~es al ()ntorias.
TodAs las funciones aleat orias de este tipo se expresnn por Ja frmula
(;).2.21) y para ellas son vlidas las correlocioncs (5.2.22) y (5.2.2'.~)
cut.re la funcin correlath,a y la densidad espect.ral. Cabe preguntar:
existe11 o no otr as funciones aleatorias estuciooarias, no rcp1'l!sent.alilcs por la descomposicin espectral (5.2.2f), para las cuales las fl"mulas (5.2.22) y (5.2.23} no son vlida!!? Ilesulto que no. Cualquier
funcin aleatoria estacionar ia es represen table por la descomposicin
espect ral (5.2.21). Para toda funcin aleatoria estacionaria que se
puC'd encontrar en los probl emas prcticos existe la densidad espectral (que puede contener como sumando una combinacin lineal de
funciones de l ta), determinable por la frmu la (5.2.22), y su fllflcin
~orrel ativa se expresa mediante la densidad e:ipect ral por la frmul a (5.2.23). Nosotros demostraremo.'I esto en ol 6.6.
La frmula (5.2.23) fue obtenida por primera vez por N. \Viener
para una clase limitada de procesos aleatorios estacionarios y un poco
ms tarde por A. Ya . J inchin para cualesquiera procesos aleatorios
estacionarios. Por eso las frm ulas (5.2.22) y (5.2.23) se llaman com nmente frmulas de W iener-Jinchin y el hecho de que la funcin correlativa de cualquier funcin aleatoria est acionaria puede ser represen Lada en la forma (5.2.23} se denomina teorema dP. WienerJ inchln,
2.09
Si en la frinula (5.2.21)
U ((1)) = U 6 {o> - Q), Z (e.o) = Z6 ((1) - Q),
donde U, Z son nlagnitudes aleatorias no correlacionadas con equivalentes dispersiones iguales a D, y O es una magnitud aleatoria
i ndependiente de U y Z, entonces Ja frinula (5.2.21 ) toina la forina
X (t) = m., + U sen Ot + Z cos Qt.
(5.2.36)
Ahora bien, la fr mula (5.2.21) abarca, como un caso particular,
tambin funciones aleatoi:ias estacionarlas que representan sinusoi ~
des de frecuencia aleatoria con. amplitudes y fases aleatorias. 'En e~
ejemplo 4.2.3 se mostr que la funcin correlativa de una funcin>
kx (i:) = D
(5.2.37)
(ro)
= Df (>)
(5.2.38)
Do l a frmula (5.2.38) se ve que pera cualquier densidad espectral asignada s 1,, (ro) se puede escoger tal densidad de probabilidad
f (ro) de l a frecuencia aleatoria de oscilaciones Q que la funcin aleatoria (5.2.36) tenga l a densidad espectral .s1., (ro). En efecto, integrando
la frmula (5.2.38)con respecto a o> deO a oo y teniendo en cuenta que
f ((1)) =O cuando "><O, obtendremos
DO
(5.2.39)
f (ro):
f (<ii) = srx~ti>) =
3jx (ti>)
00
(5.2.40)
S 11,. (ro) dw
As pues, entre la infinid ad de tod a.s las funciones aleatorias estacionarias posibles que tienen la densidad espectral dada s1,, ((1)) y dispersin finita, siempre existen tales funciones aleatorias todas lo.s
realizaciones posibles de las cuales son s inusoides puras. Esta<> funciones aleatorias se determinan por la frmu la (5.2.36) en la cual
" -0038
2!0
'2.:
t- al t l COS<i>'td't=
(5.2.41)
z~ s-'~ COSlll'td't
(5.2.42)
00
~ -
Je-"''senT<l't.
..
"
a- o
2U
De aqu hallamos
z
y
..
.,-c.Tcos.-td't=- 2
..,
JI' d - c.~ cos-r d -r=
l""
-Cl~ coe'td'f
2 +1Li! ,
(5.2.4'.4)
y des
(S.2'.45>
Sustituyendo la expresi6nJS.2.44) siendo ~ () en ta 'f rmula (5 .2.42),
hallaremos lo densidad espectr do la funci6n aleatoria que nos intereso:
(5.2.46)
Esta integral se puede calcular por la frmula (23) dol suplemento. Como resultado obtendremos la !rmula (5.2.41).
Ejemplo 5.2.2. Hallar la densidad espectral de la funcin aleatoria e.~tn
cionaria cuya funcin correlativa se determina por la frmula
k,, ('t) = De-a l ~lcos6)0't.
(5.2.47)
lt~llamos
"'
~ ~
e- c:tl"<icosro0
"t
cosco't d't =
~ {re-et"(
o
C0$
(>-ro,) "ta'f+
, - CtT COS
(>+illo) 'fcl'f}.
!'
l~
s,,,,(c~)=n
o bien
(5.2.48)
14
212
(!.2./o9)
o
"'
00
,J
,..
+1'
J-"''t'scn
00
(6io-ro) di:+v
J,-o.sen
((1)0+0>) 't'd't'
J.
Las integrales do esta frmula se calcuJau fcilmente por !ns frmulas (5.Z.41i)
y (5.2.45). Como resultado obtendremos
a
s,,, (Cll) = nD[ o;~-/-(lo-(1)):
o
+~+ro) +
bi~l\
V(lo- (1))
o;z+(lllo - m}~
y((l)o+(I))
+ uz+(eoo+(l)li
(5.2.50)
As pues
k.:('t) =
seo <Oo't
--'t--.
(5.2.52)
Dej amos al lector 'que por s mismo compruebe cue a esta !uncin corr.elatin
I(\ ~rresponde ui;-a densidad espectral constante en el intervalo (O, C!J0 ), que
se determina por la (rmula (5.2.51).
213
(5.2.21)1:
X (t) =
m.,+
..J
(5.3...1)
X(t)=m,. +
..
eico _ e-\(l)f
,
2
J[u~~)+ z~w>Je"'rd(I)+
o
r[- u~~) +
z ~l) e-l"''dw.
o
Sustituyamos en l a segunda integral las variables (!) = -. Entonces obtendremos
..
o
X(l}=m., +
Z(0>)-;W(w) e.,'dw+
Z ( -)1iU(-) elltld.
o
En Ja segunda integral podemos sustituir de nuevo la vnrinble de
integracin por la variable ro puesto que la designacin de la variable de integracin en la integral definida no es esencial:
X (t) =mx+
Z (-w)~IU(-Cll) ei"''d<.o.
S!
W> .
21~
X (t) = mx +
..
J V ((1)) e
(5.3.3)
1 1
"' tUl.
K (m, m')-M[Z((J))-IU(<zl)
2
=M[
-+
Z (ro' J-!U'(CJl') ] 2
...
=+
215
! {M [Z(-
z (-0>')"1; iU (-o>')]
=-
= ! [K,(J<t>I,
Para ro>O,
! s x( l c.>1)6(ro 1
(5.3.5)
w <0
... ! {M (Z (<11) Z ( -
= +IK.(w,
(5.3.6)
(5.3.7)
210
Cnp. $
..
sx(())
i Jl' k.,(i;)cosrotdT.
=n
o
Aqu Ja funcin $ubinLegrnl es par. P or eso la integral en los
limites de O a co puede ser sustituida por la mitad de la integral en
los lmites de -oo a oo. Entonces tendremos
...
Sx(<Jl) = +._;t J
k,,(i:)COS(A)td'T.
..
(5.3.9)
e~cribir
't~
) k,,('T)S-Oll(l>TdT,
(5.3.10)
...Jr
s X (m) =ln
k X ('T )e-l<'<dr
(5.3.11)
.J
(5.3.12)
s,. (-w)
s" (()) ,
(5.3.13)
..
kr ('t) =
J s.,
-~
(l) COS Wl
dl.
(5.3.14)
Sx
217
(w) y la
('<)
0=
Jsx(oo)senwi:di:.
kx (<) =
""
Sx
(oo) e""~ d. .
t5.3.15)
Dx =" kx (O)=
Sx
(ro) deo.
(:>.3.16)
ca,,.
218
~st
_.,.
'& ()bv~o
ql!&
(5.3.17)
.el!P.ectr al:
(5.3.18)
.Sustiiuyendo en la frmula (5.3.17) la expresin (5.3.11) de la densi-0,ad espectr!).l y cumpliendo la integracin con.i:especto a obtendr&mos la siguiente expresin de la funcin espectral a travs de la fun-
219
..5
2~ 1
l - -lcn
kx('t)
'\'
(5.3.19)
d"t.
..5
.-O: l 'ff-hO'fd't.
Para cumplr la iotegrac!n, observemos cue 1 '\' 1 - l' cunndo -r > O y 1-r 1
~ - i- cunndo '\'<O. Por eso, dividiendo el intervalo de integracin en dos
parios, obtundreroos
x((,))=
..
o
=
a~l4.> +
a+l6>
(5.3.21)
a.z+ roz
'" (Cll)=n
la fnnuln (5.3. H) da
Sx (c.i)=
..
::i J.,-a
<i-fc.>1' C0\5
(5.3. 22)
6>o't dl'.
-oo
..
+\
- oo
-Q6
..
=,..[
1
+
....
a+ t(wow)
+
1
Cl -i{wo+ c.i)
a-{c.>0 - c.i)
+
1
a + i(c.io+6>)
220
K u11
~'+wt
Da
p +2 (a'- o>ij) w + .,
x (w) = : l
+ <~~.
(S.3.23)
+ "/
(5.3.:.!4}
((l))-~[
4:\
1+1v
a+/ {"'i)- W)
1-fy
~ - f (<.io + <}
+
t-tv
a-f((l)o - <Jl
1+1y
a+t(w0 +w)
n [
.,(w)=-zn
a'+C<11- 0l0)i
a+v(w;-(l)o) ]
+ a+(w+(l)o)'
(5.3.25)
(61)
=n
(S.3.26)
forma
(5.S.27)
Este caso particular Uono una importancia prctica especial, puesto que corrosponde a la funci6n al~11tcria drereociable X (t) que tionc la derivada con
dispersin ini~ (vaso el ojoruplo 4.6.1).
Resnl vnmo~ ahora PI rroblema inverso: considerando asignada la densidad
e~pectral (5.3.26) , httll amos la funcin correlativa. !Zustituyendo la expre.,ln
(5.3.25) 011 111 frmula (l.3. 15), t endremos
1'%('r)-~[
'fJ a-)'(W-c.>o)
a+(o> - mo)~
2.n
tl"'Tdt0+
-~
rJ
C<+)'(Ql..L.Wg) e6ltr,],
a +(6l + <DQ):
-~
k,. ('t)=n
a009"1o't
rJ
.iT d
a+s -iysenw0'f
-~
.. ef't d
a+'
.,O
l
J.
-~
De aqu , tomando eu consideracin que (vase las frmul as (16) y (22) del suplorn'cnto)
_.,. a:t+t
e "dfJ = { '-"lI
as+'
si 't>O,
-In-"''' si i: <O.
221
En el 5.1 vimos quo la derivarla de una !uncin aleatoria estaclonorie diferenciable os siempre estacionaria. Por eso se puede
pl11nte11r el -problema: hallar la densidod espectral de la derivada de
una funcin aleatoria estacionaria. ;Conforme a la frmula. (5.1.12)
la funcin correlativa de la derivada Y (t) = X' (t) de la funin
aleatoria estacionaria X (t) es
k111 ('t) = -k; (t).
Sustituyendo aqu l a expresin (5.3:.15) de
la funcin correlativa de la funcin aleatoria
X (t) obtendremos
k 111 ('t) =
..J
t'ig. 5.3.2.
Comparando esta frmul a con (5.3.15), vemos que la densidad espectral de l a derivada Y 1 (t) se determina por la frmula
sv1 ( 6>) =
ro~s"
( w).
(5.3.28)
222
hrado racional con numerador constante.~Claro est que al tomar tambin en el numerador un polinomio en voz de la constante, se puede
todava ms fcilmente alcanzar el grado deseado de precisin de
aproximacin de la densidad espectral. En este caso en la expresin
de Ja densidad espectral figurarn solamente las potencias pares de (!)
puesto que la densidad espectral es una funcin par. Adems, todos
los coeficientes existentes en el numerador y en el denominador de
la expresin de la densidad espectral sern realos. Por eso todas las
races del numerador y del denominador sern por parejas complejas
conjugadas. Ahora bien, todas las ralees del numerador y del denominador de la densidad espectral racional fraccionaria siempre se disponen de un modo si111trico con respecto a los ejes real e imaginari<>
en el plano do la variable compleja w. Al descomponer este quebrado
racional en quebrados simples, siempre podemos agt'upar las fracciones correspondientes a cada pareja de las races conjugadas puramont(}
imaginarias del denomi11ador y l as fracciones correspondientes a cada
cuatro raices del denominador dispuestas simtricamente con respecto n los ejes real e imaginario. Como resultado obtendremos para cadl\
cuatro rafoes complejas dispuestas simtricamente un sumando de la
forma (5.3.25). A los sumandos del primer t ipo les correspondern
en ln expresin de la funcin correlatva las funciones exponencia
les, mientras que a los sumandos del segunto tipo les corresponder n
las funcines ele la forma (5.3.22) o (5.3.24). As pues, vemos que la
funcin correlativa de prcticamente toda funcin aleatoria estacionaria so puede aproximar, con un grado de precisin cualquiera, por
una combiuacin lineal de las tres funciones correlativas tipo examinadas en los ejemplos anteriores.Esto es lo que determina la Importancia de l as t res (unciones conelativas tipo estudiadas.
Estt claro que, al igual que en todo.'> otros problemas de aproximacin, la representacin aproximada de la funcin correlativa obtenida
por esta va no ser nica.
Para calcular la integral (5.3.16) al determ~nar lo.s dispersiones
declas funciones .aleatorias estacionarias valindose de las densidades
.
eiipetra's cooo-cldas, s ,puede ap1ic.ar la frmula
; ~=;.
n"?
rJ bo (i~}'ln-2 +bt
~~
+ lln- 1 d ~
l -
= (- 1)n+1 _::_ An
a0
Dn '
(5.3.29)
223
a0
a8
a2
D,. = a6 a4
O O O 0 ... 0
a 1 a0 O O . O
a8 a 2 a a0 O
o o o o o o
(5.3.80)
"
A11 es el determinante que se obtiene sustituyendo en D11 los elementos de la primera columna por los coeficientes 60 , b1 , , b,._1:
An =
boaoOOOO ... O
b 43 G1 aa 0 0 ... 0
ba a4 a~ a 2 a ao . .. O
bn-1 O
o o
en particular
11 = .!!:....~.
bo
br
f3 =~ ba
z.
(5'. 3. 3i)
4n
OtO:
bo a0
z oa,
o "
l4=~ b$
Cl3
b,
' o
a3 a2
o o
O O
04
03
o o
ao
44
. ' o o
a~
Uz
a4
o o
...
elw< d(J).
..
~ e'"'' dv> =
2ru'I (i:).
hi frmula
(5.4.1)
La funcin aleatoria estacionaria con densidad espectral constante se llama mido blanco estacionario. Este nombre se explica por
cierta analoga que tiene tal funcin aleatoria con la luz blanca: la
luz mencionada representa la suma de todas las componentes espectrales que poseen una misma intensidad; el ruido blanco es l a suma
de l as oscilaciones armnicas de todas l as .frecuencias que tienen una
misma dispersin de amplitud. Con otras palabras, la luminosidad
sumaria de la luz blanca est repartida uniformemente en componentes espectrales, es decir, en frecuencias de l as oscilaciones electromagni?ticas que la componen; la dispersin sumaria del ruido blanco
est repartida uniformemente en frecuencias de las oscilaciones
t1rmnicas que lo componen.
El multiplicador ad junto a la funcin delta
v =
2n s 0
(5.4.2}
(5.4.3)
ve
..,
V= )
kx ('t) d't.
(5.4.5)
- oo
Por l'!lt n misma frmula se determino nalura h1w 11LI! ta1ubi11 la inte11$idad de \JJl ru ido blanco real con fw1ciu correla tiva kx ('t)
distintR de la funcin doltR. En virturl de (o.3.1'1) la integral eo el
miembro derecho de la frmula (5.4.5) p uede ser expresada por medio
del valor de la densida d espectral para 'l - O. Como resultado la
frmula (5.4.5) tomar la forma
V
= 21' Sx (0).
(.5.4.6)
(5.4.7}
prrictlcamonte puede ser considerada como ruido blanco (ruido blanco real) siempre que o. sea suficientement e grande. En efocto, cuaudo o. es suficientemente grande, el valor de la funcin correlativa
exponencial ser tan pequeo como se quien para t =!=O cualquiera.
P or eso, cuando o. es lo bastante grande, el intervalo de correlacin du
227
esta funcin aleatoria ser tan pequeo como se quiera. Con ello, su
densidad espectral ser prcticament.e constante en una gama considerable de frecuencias. Es evidente que la gama de frecuencias en la
cual l a densidad espectral (5.4. 7) puede considerars.i prcticamente
c:onstanw puede ser hecha tan grande como se quiera eligiendo
a suficientemente grAnde. En virtud de (5.4.6), 111 intensidad de este
ruido blanco real es igual a 2D/ a, es decir, a la dispersin del niisrno
multiplicada por 2/a..
Ahora bien, la densidad espectro.! de cualquier ruido blanco
e.~taciouario real no es constante, pero puede considerarse p?cticamente constante en cierio intervalo de frecuencias fuera de1 cual
eUa tiende a cero.
Ejemplo 5.4.t . En el ejemplo 4.2.7. fue mostrado que la. !upcin cprreln
~lva do l a corriente que pnsa por el circuito cornpuest de. un coi1densador do
capacidad C, cargado por el !lujo <le partculas cargadas. y de una resiRt oncio
R es funcin oxpon0nc1al <lo 111 difereur.ia de los argumento~ lf6rmula (4.2.43)1.
ExaJninemos un caso p1uticul11r ~n que la media de la carga de cada partr.ulu
q es igual a cero. En este cai;o la funcin correl ativa do l a corriente que pas11 por
el eireulto ~e determina por la f6rmula
D -~<J
k('t) = 2T'
k ("t) = 2T t
--
Cuando T-. O es1a funcin tiendo a cero para cualquier T :f= O y k (O)-+ oo.
La intogral de esta funcin, en los lmites infinitos, queda en em caso const1mto,
Igual 11 v. As, para pequeos valore~ de la constante de tiempo T, lH corrie11te
que 1>a~a por el circuito e.s p1xima n.l ruido blanco con intensidnd v. En el limite
p&ro T ~ O. ln c.orrianto on ol circuito repl'osentn un ruido blanco cstnc.lon111fo
ptU"fecto. As pues, el rui.do blanco pcriocto se puede representar fsicarof.nto rnmo
unn sucesin continua de impulso~ nfinitesirnales no correlac.i<>nndos que
~ijfUNI uno tra11 otro con densidad medi:o infinita.
Observarnos que en ul ejemplo examinado el ruido blanco perfocto 11c obtio
no sol11mnntc cunndo T - O, l!!I decir, durante la descorJa del condensador,
que vn cargado por el flujo de partculu, a t.rav~ de una resistencia nuh. Pnosto
que en la naturaleza no exfate la resistencia igual a cero, 6<I pnodc hablar :wlamcnlc de una resistencia muy poqnaia. Esto ilustra el hecho de rull 110 exi~te
un ruido blanco pnrfccto, sino que exif:tcn solnmontc fuudones ale.. t.orfo~ pr.~imas
al ruido blanco.
228
o bien
s0
(Ir .
ei<T d<oi =
~iwui: _e-i(&){)'f
S,
i't
-"'<l
"o
l>x (i:) = -~-sen
't
.l 0 i:.
(5.4.9)
Sustituyendo la expresin (5.4.8) de la densidad espectral en la frmula (5.3.16), hallaremos la dispersin del ruido blanco de banda:
D,, = kx (O) =
"'
So dw
= 2sow0
(5.4.10)
- 00
.~
+
T
mx:::::
x (t) dt.
(5.5.1)
E11 obvio que la integral del segundo miembro de esta frmula tiene
diforentes valores para distintas realizaciones posibles de la fu ncin
al1:.1atoria X (t). Por eso los valores del segundo miembro de la frmula (5.5.1), correspondientes a distin tas realizaciones posibles
de la funcin aleatoria X (t), son v11 lore.<> posibles de la mngni tn<l
uleotora
1'
Y1 =+
JX (t)dt.
o
(5.5.2)
D [Y,.] = .-lf r
y1
Jr X (t}dt~mx 'J\. 2] =
u
= ;2
T T
(5.5.3)
u ()
,.
(5.5.~)
< e si 1 't 1 > To.
Dividamos el cuaJ.rado O < t, t' < Ten tre~ zouns con ayuJ.a tlll
1 k.~
(-r)
T T
) Jk.,.(t oo
(5.5.5)
231.
.\o Jo kx(t y
t')dtdt' <2DxT-ro+~r-'
+, kx (t T T
t +e.
20
(5.5.6)
oara X {L). que tiene la !uncin r.orrelntivu /Je-a. ll Jcbo Lomarsn 1ara 1fotnr
minar su l!Speranza matem~tica por la frmula (5.~i.1) cl'ln 1111 err!'r c11ndr1irn
medio que no super~ a :Y'D lO?
Segn los datos, 111 d1si>ersi6u de In m1<gnillHI nl~ntnrin Y., 110 1lchc SUJJOra1
u11 esto 1:11so a D/ JO(l. l:'or eso el egimos
111 comlici6n
e = 0 / 200 v hallnwos
D -cn0 _ ...!!_
t
- 200
To purti~ndo d1
Cap. 5
Obtenemos -r1
::::
2DTo
-T--= 200 .
Dt 11qui hnlliu1111s 1'/'t0 = 400 o T :::: :H20/a.. Do este modo, para que el orror
cuadrtico medio, al dctermi nar la esperanzH matcmntlcl\ de la funcio aleatoria
j)(lt lu lt'Tnula (5.$.1). no cxccdn el 10% con rc.specto a lo drsvlacin cuadrtica
10edfn de la funcin RlMtorln. en rr.il~ ceM es suficiente rpgisl.rar la realiMcin
de IA funrin aleat.oria en el intel'valo T 200 veces mayor que el in~rvalo de
rorrdocin 2T0
k:c (To)
(5.5.7)
233
kx (i:o)
=+ J
T
(5.5.9}
Ejemplo 5.5.2. Las funcio nes aleatorias estacionarias m>rm:tltnenlc ropartidu, cou laa tres funciones correl ativas tipo examina~n.s en los prralos
1mtn1iores, que contienAn como multiplicador una funcin e.xponencinl , son
ergdicu tonto con respecto a l n esperanzo. matemtica como con respecto n la
funcin correlativa , puesto que todas esta~ funciones con-elativa.s tienden 11 corocunndn 1..-1- oo . Por eilO l os o.5poranr,n~ mtlUlmtlca11 y l~s lnncioncs c:orrd11tivns de las mismM SI\ punden determinar vor lM frmulas (:i. ~d) y (.!Ul)puru un valor de T fo 5ufir.ientomento rande.
Ejemplo 5.5.3. l'nra una (uncin aleatoria esta.ciona.r la ~inusoidal de lrucuencia deierminada X (1) - U sen w0 1 Z cos 6loJ,
M IUJ ~ M (ZJ - O,
D 1U) - D (Z) = D, no se cumple la condicin su.Uciente de ergodicidad, pucstn que su fu.nein corrnlativa k:o: (T) - D cos <a 0T no ti onde a cero tu ando 1 . ., 1- oo. Para. establecer si na ee erg6dica o no, calculemos para ella los segundo~
miembros de las frmula, (5.5.1) y (5.5.9). Obt endremos
T
T
M!=+
X (t) dt= ;
r,
ll
K~ (o) =
p1m1 r1t11dtJs valores de T. De aruf ~ vo quo el sogund<> ullumb1C1 .i~ Ju fru1u l 11 (j .5 .9\ es aproxilnttdamento pruporcional al euadrado de lu aruplitml nl~awrla
A t - Ul
Z 2 rlc ln sinu soidi: y J'Or eso tiene diferP.111~5 \'alorcs 1ara cl istintos
234
realiz~iones.
ai;ze
C09>o'to-DCOS(l)o"to)
- M
l'<ir<I
f)ara la.,
magnitudc~
[u+w;v+z
]=
D (U'+Z+ D"
} :-OS2 6lo-ro.
.d o cun.rto urdoo e;; igual al cuadrado tri,licado de la dispersin !vase la frmula (2.5.11) ). Por eso M 1uJ = M lZ J = 3D1 y obtendremo~
D [
(To} ) "' D2 cos' >o To
x:
M:=+
Jo X
(1)
dt""' m~.
US+Z'
x; (-ro)= r-1 J XO (t) XO(t + ro)dl~ --2--cosS:ho
u
r.
Los ejemplos examinados muestran qutl ninguna funcin aleatoria estacionaria, lodas las posibles realizaciones de la cual son sinu-
235
i X (t) dt,
(5.5.10)
(5.5.11)
m.,= lm
T~>
Ir.<("t:) = lm }
T~>
C:n e~t.ns frmulas el l mite debe entenderse en el sentido probabilstico, es decir, en el sentido de que la esperanza matemtica del cuadrado de la diferencia entre la magnitud y su lmite tiende a cero (el
as llamado lmtte en la media cuadrttca). Ponieudo en la frmula
(5.5.11) i; =O, obtendremos lo. siguiente frmula para la dispersin
de una funcin Clleatora estacionaria, ergdca con respecto a la
funci u corr<llativa:
D~ = li m
T-+oo
~ [X
(t)JZ dt.
(5.(1.12)
l1
Vlmos c110 siempre bast.a ('. Ollocor la funcin r.orrelaLiva pora juzga1
ac!'r ca <le ln orgodiciJad de la funcin al~atorla est11cionnria con respl>cti1 a la
~speran..a matcrntico. De oqu se vuede deducir que para juzgar snb10 I ergollicidnd de una funcin aleat.oria cstaciouarn con rMpeeto a Ja funcin c:oTol aliva es Mulidl'nlc conocer el mom1mto de enarto orden d& r..st.a fu11cin afoatoria.
IV=
y J[X (t)l dt
2
(5.:.i.13)
os la potencia media de la corri ente do fluctuacin on la resistencia unitaria. Pero conforme a la frmula (5.5.12) la magnitud W
para la funcin alentori11 estocionara ergdica X (t) no difiere prcticamente de la dispersin de la funcin aleatoria X (t) para T Lo
suficientemente grande, debido a lo cual se puede escribir
=+ J
T
[X (t)]idt.:::: D ,.
(5.5.111)
=+I
J.
t5.5.1.))
Hallemos la funcin correlativa recproca de dos funciones aleatorias estacionarias X (t) e Y{t). Para esto representmosl as por las
descomposiciones espectrales en forma compleja:
X (t) = mx+
..
JV (Ci>) e
(5.IU)
{5.H. 2)
1 1
" dw,
00
y (t) ""mv+
.~
237
donde V(w) y W(ro) son dos ruidos bl ancos complejos cuyas lilte.nsidades son guales a las densidades espectrales s., (ro) y s11 (m) de las.
funciones aleatoria:s X(t) e Y(t) respectivamente. Para determinar
la funcin correlati va recproca, hallamos las correspondientes
funciones aleatorias centrales. Con ello, teniendo en cuenta la deterJOinacin de la fuucin correlaliva recproca de l as funciones aleatorias complojas, pasemos en la expresin (5.6.2) de ltl funcin aleatoria
real Y (t ) a lo.s magnit udes conjugadas complejas y cambiemos l a
designacin del argumento y de la va.r iable de integracin. Entonces
obtendremos:
..
yu (t') =
_.,.,
""
- oo
De aqu bailamos
l. '" (t, t') = M [X(t) Y(t')} =
J JM [l'
""
00
(l) W(111' )1
Por consiguiente, l a funcin correlativa recproca de las funciones aleatorias X(t) e Y(t) se expresa por medio de In funcin correlativa
recproc;,1 tlo los ruios blancos V(w) y W(w) por !>1 frmu la
K ,.1, (t. t') ""'
J ..) K. ,c
""
- oo
d 111' .
(5..3)
-t'O
238
Sustituyendo esta expresin en la frmula (5.6.3) y tomando en consideracin las propiedades de lus [unciones delta , obtendremos
1(.,.11
(t, t') =
""
..
Sxy
(w) dUJ
..f
el1-11aw.
kxv {"t) =
..J
Sx11
(01) ei dc11.
(f!.(i .!'i).
s,.11 (>) = 2~
..J
(5.0.6)
- oo
Ole
kxu{i:)=-C~-etlTl11en
l'or 111 frmula (5 .6. 6) hallamc>s
..
s,.11(c) -
f, J
"'''
ll~ =a'+(l)J.
= _E_ [ f
4nf
_ ..J
eT- Hi)Ot-fCQT
d'f-
..
J,-a.-i--i ~t - h>t J
dT
-oo
Estn frwula muestra que la densidad espectral reciproca de la~ funcio ne~ aledtorias re11les puede ser comploju.
Ejemplo 5.6.2. Hollar l a funcin comllati\a reciproca de las funrionc:>
aleatori u
Z (1) = X (1)
+ X 2 (t),
zo
en
funcione~
t') .
l) e aqu l se vo que las funcione~ olentorias Y (1) y Z (1) e::;Ln enla:tadM est11cionnrlame nt.e y su funci6n corre)utlva 1ec proca coinciclo c.on ll\ !uncin co1rolatl va ile la funcin aleatoria X (t) . Por lo tanto, la d e nsidad espec.lral r~.c:fprocn
dr. l,.s funC'io ncs 3Jeat.oriM Y (t) y z (t) tllD.lbin col11c hl 11 con la dtusidail ~-~pc<'
t ral de l a funcin ale.atorio X (1):
(5.7.2)
J s.. (w)
e1@m!I
dcv.
-<
(2v+l )n / "
V= - ~
(2V- l ):t/
l>m =
Sx
/;,,, =
Sx ( l '
+ 2 ~n
) el Ol'mlH2vni du>'.
'\'=- oo - n / A
Omitit,ndo la rayn 11dju11ta a la designacin de la vari able de integracin y teniendo en cuenta que e~"1 = 1, podemos escribir la
'frmula obtenida en ln forma
:1/ C.
km =
J[~
-n/
s_.(ro+
:?.~n)]e;,,,.,"dw.
v=-oo
..
si()= ~
s,.(< + 2~") ,
(5. 7.3)
v= - '1IO
~btend remos
k,,.
ni"
(!.7.4)
-11/
.f
241
naria
n / f:.
) ~(co) dJ.
Dx=ko=
(5. 7.5)
- nf~
Pongamos aqu = v
1 y observemos que , al igual .que v;
rC<'.Orr.e todos lo~ valores enteros de - oo a oo. Como resultado tendremos
2
( Ctl +
)=
Sx ( lt) +
)
~"
s=-oo
s~ (ro + ~'T )
;;;.
s~ (cu}.
(!J.7.U)
..
s~(>)=
~ a 1,ei"v".
P- - oo
(5.7.7)
a. p -- _2:t
7t/.,I>
Jl
sd
-Tt/I:.
nm~.ro
1G- OU38
2~'.!.
S usli tuycnclo
c:;~a
ex pres in
tstac.t<111a rl-'~
JO
sX' (~>) = ~
~ k - fi 11iwpt. '
2n ~
v= - w
~ k me -t0>111:i. .
~," (1) -- ~
,, k.J
(.'. 7.8)
X (to+ t) = X 11 =in,.+
Xh
= m., +
JV
..
.i (111)
et..1t\ t~,
(.J. 7 .!l)
- ;1/
dorido
Vd(w)
=e'"''
~ V (111 +
2;,'' ).
(!.7.IO)
v= - oo
A;;i pues, hemos obtenido la representacin espectral de una socuenci11 ulcatoria estacionaria. Con ello, debido a 111 pel'iodicidad do la funcin exponencial del argumento puraroent~ imaginario, el espectro
do frecuencias de la secuo11cia aleatoria so puede considerar concentrad 'en el intervalo 1 Ci> 1
n/6. Las frmul11s (5.7.4) y (5.7.8) soo
a1;1logas a las de Wiener-Jnchin (5.3.11 ) y (.'>.3.15).
Mostremos ahora que la funcin aleatoria Vd (w) on la i:epresenlncin espectral de una secuencia aleatoria estatiouoria no es ms que
un ruido blanco cuya intensidad es igual a ~ ((i.)). Para esto hallemos
la funcin correlativa do la [unain aleatoria Vd ((1)). Con ello, es
suficiente considerarla solamente en el intervalo de frecuenci11s
1 e~ 1 < n / A. Puesto que los sumandos en la s um a que figura en
(5.7.10) han sido obtenidos decalando el mido blanco V (w) en intervalos mltiples del periodo 2n/ 6, todos ellos no est n correlaciona<lOll e11 los lroi tes de un periodo 1 Ci> 1 < ni6. 1'01 eso la funcin
correlativa de la suma oo (5.7 .10) es igu'11 a la s uma de las funciones
correl ativas de Jos sumandos. El mulliplicallor elc.ilo en (5.7 .10)
<
243
Sx ( w
"IJ.1::- 00
-1
s: (!Al)=!. ( ko+
~ kme- 1.,mA+ ~
k,,,e -J0>mA) .
m-1
l"1 (c.>)-~
-in
..
(ko+ L.J
"'1
i>=i
..
~ k p . - iO>Pl>)
,.elwpl> + L.J
,_1
(a.1.12
tJ.D (
x(ro) = 4n
2+
1 6
q,e "'
-q tw~
'lt
1>4
- q,
+
llM
9zt
i - q,.1<4
+ .1<06q,-
q,
(5.7.14
l..c dojamos al l('(' l.llr que por s mjsmo demuestre quo en el caso de una f1111 ri611 correlativa mns gencr11l (!Ul.24) la densid"d cspoctral ~ expr~MI )(lr la
frmula que se difeTf!ncin de (5.7.14) solamente por el m11ltl>lcador adicional
1 - iy en los sumnmlo' con q1 y por el muHiplica1\or n1lcional 1
1 y on los
sum~ndos con qz.
Las frmulas (5. 7 .13) y (5. 7 .14) rnuestron que ]>a ra tod as las
fu nciones correl ativas tipo de las func iones aleatorias estacionarias,
las densidades espectrales de las secuencias aleatorias estacionarias
correspondientc8 son funciones racionales de la magnitud e1 w~.
Esto da razn para introducir en las frmula.'! (5. 7.4) y (5. 7 .S) en vez
de Ct> una nueva vodable z = e!"'" Entonces, poniendo
t
o~ (z) = -;-~
(w) =
1
Tj .s; ( 1i.\
lnz )
(5.7.1 5)
k,,, =
+J
l o~(z) ~:
(5. 7.1G)
e,
Dx =
d(ll)-- :tn.
1
O"
~
L..J
'
(5. 7.17)
-m ,
(5. 7. 18)
1'mZ
17\=-oo
245
ble, poniendo
.
:-1
'""!>-i
t>.=-+
i = e'wt. +1
z
(5.7 .~9)
t tg-,>-.
~
De aqui se ve que para los valores reales de ro, la variable J.. es real
y vara montonamente de -oo a +oo al variar w de -n/1.1 a n/1.1.
Adems, ].. es funcin racional de z y, por lo tanto, para todas las
!unciones correlativas tipo y sus combio.aoiones lineales, las densidades espectrales de las secuencias alEatorias estacionarias correspondientes rep-reseotan .funciones racionales -fraccionarias de i;. ne
(5.7.19) se puede expresar la variable z en funcin do ]..:
. !J.
1+0.
(5.:7.20)
t=e"" = 'l-ii.. ..
Derivando (5. 7 .19). hallamos
6
d'J.. = _ _<ll_il_ ~ dro = ( 1 -Hg~ u;2 ) ~ de~= ~ (1 +J..~) dw,
cos<i~
do donde
(5.7 .21)
20'd (
X
i~ ) .
t+
- ti.
(5 7 -?2)
""r~,
5 -"
''' =
(1+1')"'
""
1-li.
1-j- }.2
(A)
00
D.,= _
..
'
(5.i.23)
_ fJ
km -
(t+i/..)2m
Sx (/\,) (l + ],,2)+1
d]..
-oo
s..,
(5.7.24)
CAPITULO 1
RHpresentaciones cannicas
de las funciones aleatorias
(li.1.1)
donde V" V~ ... son magniturlei; nloatorim; 110 corcclucionad <\S fjuya
esperanzas matemticas son iguales a cero. Los coeficientes ;1djuntos
a las magnitudes aleatoriAs Vv dependen, evidentemente, de In variable. t, es decir, son funciones (no aleatorins) de la variable t. A tocla
representacin de una funcin aleatoria en forma de una combinacin lineal de magnitudes aleatorias no correlaciona!l<1s la llamaremos
descomposici6n cannica de la misma. A las funciones aleatorias V"
las denominaremos coeficientes aleatorios de la descomposici11 cnnQlCa y a las funciones xv (t), /unciones coordenadas.
Expresando la funcin aleatoria X (t) por la descomposicin
cannica, se puede hallar tambin la rlcscomposicin correspondiente
para su funcin correlativa. Para ello pongamos en (6.1.1) t = t':
00
}] V,z,, (t').
v=I
(ll.1 .2)
247
..
_,
(6.1.3)
X (1.):
00
{li.1.4)
v=\
X (l)
(Ci. 1.5)
J.,
donde V (/..)es el ruido blanco de parmetro t.. que vnrfa en el i11to1valo t.. 1 ~ t..~ /..2 . A todn representacin de una funcin ale11Lorio
en forma de intcgrnl (0.1.5) la llarnaremos representacin cannica
lntegral de ln mistna. A los funciones .:r (t, A.) de la vmiable t, corres-
248
C'"t.
;.
(6.1.!i)
~.
'l'rnnsponiendo en fas frmulas (6.1.5) y (6.1.6) la esperanza matemtica al primer miembro y multiplicando los valores obtenidos
de la funcin aleatoria centrada, tendremos
X(t)X(t') ~
4 1'~
/,' )dJ,d>.: .
(6.1.7)
i.t)l
Ahora , teniendo en cuen t a la definicin (4.2.13) do la fnnci.n correlativa de una funcin aleatoria corn-pleja, cxpcl'scmos la funcin
correlativa del ruido blanco V(A.) por la frmu la
(6.1.8)
JJJ(. (!.,
1
)
>.1 >.
}.~Ni
(6.1.9)
At >.
~.
249
Poniendo en la frmu la {6.1.10) t = t', obtendremos la siguientefrmula para l a dispersin de la funcin nleatoria X{t):
(6.1.H}
"'
La frmula (6.1.5) muestra que la represent acin cannica Integra l de la funcin aleatoria la expresa en forma de una combinacin lineal de magniiudes aleatorias infinitesimal es, no correlacionadas V(A.) dA con los coeficientes z (t, J.) dependientes de t; coti ello,
la dlspersl6n de l a magnitud aleatoria V (}.) d'J.. es igal a ~ {'J..) d'J...
Aplicando la frmul a (3.9. 7) para .Ja dispersin 'de una comhio'acin
lineal de las magnitudes aleatorias no correlacionadas "Y sustituyendo la suma por la lntegrlll, obtendremos preciBamente la frmula
(6.1.1'1).
Las descomposiciones espectrales de funciones aleatorias estacionarias, examinadas en el captulo precedente, son tipos particulares de las representaciones cannicas integrales del t ipo {6.1.5).
6.2. Descomposicin cannica de una fWl cin aleatoria
Sean V~ (v = 1, 2, ...) magnitudes aleatorias no correlacionadas arbitrarias con esperanzas matemticas iguales a cero y dispersioues iguales a Dv:
M!Vvl = O,
Dv = M
ilf[VvYl=O si
ll V v l2J.
(6.2.1)
Hallemos las condiciones en las que la funcin a leat oria X {t) puede
ser re pre.sentad a por la ilescomposicin cannica (6.1.1) cuyos coeficientes deben ser d ichas magnitudes aleatorias V v P ara esto escribamos la frmula {6.1.i.) en l a formo
x~ (t) =
..
2) V vXv (t).
(<1.2.2)
v~I
(6.2.3)
\=I
(6.2.4)
250
(IL2.!j)
Ahora bien, para que la funci n aleatoria X (t) pueda ser representada Jlor la del'co111posicin cannica (6.1.1), es necesario que todas las
funciones coordenadas :r1, (t) se expresen por la frmula (6.2.!j), es
decir, sean iguales a las relaciones entre los momentos de correlacin
de la funcin aleat-0ria xo (t) con las magnitudes aleatorias V y las
dispersiones de las magnitudes correspondientes V.
La frmula (6.2.5) muestra <1ue para hallar la descomposicin
cannica <le la uncin aleatoria X (t) tiene sentido tomar solamento
tales magnitudes aleatorias V. que estn correlacionadas con la
funcin aleatoria X (t). Si cualquie1a de las magni tudes al eatorias V v
110 ust wrrelacionada con la funcin aleatoria X (t), entonces la
funcin coorcfonada correspondiente x. (t), de acuerdo con la frmuln (G.2.5), es idnticamente igu al a cero y el trmino correspondi ente desaparece de la descompo8icin (6.1.1).
El tipo ms simple de magnitudes aleatorias, correlacionadas con
la funcin aleatoria X (t), son las combinaciones lineales de sus
valores para los valores de! argumento t que nos interesan. Por eso,
para represent:ir la funcin aloatoria X (t) por la descomposicin
~ convfone determinar las magnicannica en el int.er valo a ~ t
tudes aleatorias V" por la frmula*)
<
Jl
Vv =
(6.2.(i)
(t
donde a, (t) 1>ori ciertas funciones que deben ser elegidns de modo que
las magnitudes V" estn no correlacionadas.
Cambiauclo en fo irmula (6.2.6) la designacin de la variable
de integracin y sustituyendo la expresin obtenida en la frmula
(6.2.5), tendremos
x .(t) =
~ M
ti
[X(t) Ja
11
et
ti
~,,,
aj) (t')
(G.2-.7)
(t
o bien
x"(t)=
(6.2.8)
a.
. ) Teniendo en cuenta que las 1uagnitud<:s aleatorias v. pueden ser comploias, para que los clculos ulteriores sean ms cmodos, determinamos las
funciones a., (t)- de modo que en (6.2.6) bafo el signo integral haya funciones
conjugadas complejas v (1).
G.~.
251
Estn frmula expresa las fw1ciones coordenadas x11 (t) por medio de
l as funciones a11 (t) y la fun cin correlativa de la funcin a)eatoria,
X (t).
Parn deducir las condiciones a las que c,ieben satisfacer las funcioues " (t) con el fin de que las magnitudes aleatorias -Yv, determinadas por la frmula (6.2.6), sean no correl acionndas, escribamos on
virtud de (6.2.!')
~
Al [VvV 11J=
X (t) dt.
(6.2.9)
De aqul se ve que para que las magnitudes a leatorias V v sean no correlacionadas y sus dispersiones sean iguales .a los ..n,(imeroS. C()rresp:o.11t
dientes Dv, las funciones " (t) y xv (t} deben satisflcerl:a_s condici.ones
Ja.,. (t)
(t) dt =
Si
9'= 'V,
(6.2.10)
a
fl
(G.2. H )
(6.2.12)
donde 6"" es una magnitud igual a la unidad cuando los indices son
iguales e igual a cero cuando los ndices son diferentes (~vv = 1,
v = O para . 9'= v).
Generalmente la igualdnd (6.2.12) se llnmn cortdicin de biortogonalltlad de dos sistemas ele funciones Xv (t) y av (l).
As pues, para que las mugnitudes aleatori(ls V,.. cletcrminu.das por
la frmul11 (6.2.6), senn no correlacionadas y al mismo tiernpo la
fonciu aleatoria X (t) pueda ser representada por la descomposicin
(G.1.1) es necesario que las funciones av (t) y las funciones x.., (t)
determinadas por la frmula (G.2.8) satisfagan la condicin de biortogonalidad (6.2. i2). Es evidente que las condiciones (6.2.8)
y (6.2.J2) s on tamhitin suficientes para que lns magnitud~ nleatorins
V v determi nadas por la l'm1ula (6.2.6), sean no correlacionadas, pero,
desdo luego, esto no demues tra todavia, que, l cumplir las condicione!! (6.2.8) y (6.2.12), la funcin aleatoria X (t) puede ser rt!prosentacl n por l a descomposicin co.nnica (6.1.1 ).
Mostremos ahora que se puede hallar un sistema de pares de
funciones a..,. (t), x,, (t) que satisfagan las condiciones (6.2.8) y (6.2. i2).
Para est o tomemos una secuencia arbitrari a de funciones independien-
In
Jl
U,=
J/,(t)X(t)dt
(r=1, 2, ... ).
(6.2.1.3}
"
U~=
J/,(t) X (t)dt
(r= 1, 2, ... ).
(6.2.14)
"
k,.=.~f[U~U:J=
ll ll
JJfr(t)/$(t')M[X(t)X(t')Jdtdt'
(i.2.15)
"' o:
o bien
ll ll
J Jf,(t)f,(t')l("(t, t')dtdt'
k,. =
(r. s = 1, 2, .. . )
(fi.2.16}
" "'
z,(t)=
J/,(t')K,,(t, t')dt'
(s= 1, 2, . . . ).
(l>.2.17)
"'
(t, t') dt =
"
jf
(6.2.18)
"
ll
"
"
ll
k,.=
f,(t) z,(t)dt=
Zr
(t)j,(t)dt
(r, S= 1, 2, ... )
(6.2.HJ)
A:bora podemM construir el sistema de funciones aleatorias no correlacionad'as Vv , procediendo del modo siguiente. La primera funcin aleatoria V 1 puede sor elegida arbitrariamente, por ojemplo, se
*) Las funclonQs J. (t), / 2 (t), . ... In. (t), .. . se denomin:in inJ.epenJieutes
lioealmente, ~i para ningn valor do n. y ninguno de los valores e, c 2 , ., en
distintos de cero. la combinac!n lineal de estas funciones c.1 1 (t)
czf2 (1) +
(t) es idoticamnte igual a. cero.
+ . .. + c,;fn
UM
253
Juncl6n ouowrto
u:.
puede lomar V1 =
La segwida magnitud V2 debo ser elegida de
modo que sea oo correlacionada con V 1 Para esto es s uficiente tomar
V = c31 V,
U: de terminando el coeficiente c21 de la cond icin
<le no correlatividad de V 2 coa V ., etc. L a mngo it ud V v debe sat isfacer v - i coodiciones do oo correl atividad con V 1
Para
s11tisacer estas condiciones, basta to mar por V la 80JDa de la mag11iturl lit y de la combinacin lineal de las magnitudes V .,
Vv - i con coeficientes indefinidos. Ahora bien, pongamos
v._,.
~-~ +u:.
V:=ci1V1
(6.2.20)
,._,V._,+ lit,
y determinemo$ el coeficiente c 21 do la condicin de no correlativi<lad do las magai\.udes V, y V 1 y, en general, pa.ra cualquier"' determinemos los coeficientes c,1 Cvz , e,,, 1 do la cond icin de no
eorrelatividad de la magni tud V. eoa V 1 V~ , .... v....1 Para hall4lr
esto, 1l e~pejemos sucesivamente U':, ~... , lit en la eeuacin
(ti.2.20):
u~ = ''"
lf! = - C21V 1 + Vz,
Vt- = -
(6.2.21)
r
J
u:, ...
v-1
-c.
(6.2.22)
i-1
k, 1 =
1D 1
(v=2, 3, .. . ),
(6.2.23)
(ti.2.24)
c.,.
2M
k"'
D1= k11 . C"=-v.
(v = 2, 3, ... ),
(v = 2, 3, . . . ),
1
~ (G.2.2!3)
v- 1
D. = k,,,.-Y jc,.~zn"
- 1
-.
e_,, =
1,)
).- 1
= 2. .. . , '11 - 1,\
{ V= 3, <, . .
}
Por est as frmulns se puede determioar succsi v:unente las rnagniLudcs Du c.1 , D2. c,,2, D3, c. 8 ... Como resultado scrlin bailados todos
los coeficientes c,, 1, en las frmulas (6.2.20) y las disper:;iones de las
magnitudes aloatorins no correlacionadas
Empicando el procedimiento expuesto, se p\1ede construir el sistema de magnitudos aleaUlrias no correlacionados pa rtiendo de cualquier sistema de magn itucles aleatorias independiente linealmente. Ya bicimos uso de este
proc<'dimicnto e11 el 3.11 , dontlc en Yez de e,, .. eran los coeficientes 'l'v 11 = -c,I"
Sustituyendo en (6.2.20) la expresin (G.2.14) de l a~ magnitud es
alen torias centradas U:, expresemos las magnitudes aleatorfos V ..
por la frmula (6.2.6) donde los fu nciones (t) se d.itormi nnn por
l as frmulas
v.
\1- I
Z c,a
11
(t}+ /v (t)
(v
=2 , ~1 ,
... ).
(6.2.2(i)
(t) -
t (t)
D
'
J.
x,.(t)= 1
v-1
[~
(6.2.27)
;=!
(v = 2, 3, . . . ).
v.
255
en
O< <
~l
intervalo
t
1' .
Una vez det.erminndns lns funcion<Js /, (t) por las frmulas (G.2.28), h11ll11mos
por la frmula (6.2.17) las funci one.s z. ( t). Teni(1nclo on cuenta qut' ~n esto c~so
a = O, fl = 1', obtcnoremo~
T
z 1 (t)=D \ c- 0:11-n
+ ~ e-ct(t - i dt'} =
t
)_
<t
CL
>
-e- --e
-<.:i
_ 1. 1-1)
-
y unlognmente
T
z 211 (t) ~v
DCL
a'Z-f-w~
:2.'il
Zzn+I (t)
=D
(1~=1,
2, .. . ).
fisLiluyendo las l!Xprusiones obtoaiclas y las (6.2 .<!.8\ de las funciones f, {I)
~n la frm11la (6.2.19), hallamos los momentos do correlacin de las magnitudes
.aleatQrias U, determinadas por la frmula (6.2.13) . Con ello, todas las integro..les (6. !U3) se calculan e11 este caso de u11 modo nb..~olutamente elemental. Para
Rbrevn, noR limitaremos al e.aso cuando las fror.uencia.s ooh se han elegido mlti.Ples do la frec.uenca fundemenl al ro 1 = 2'!f/ T r Mrcspoodiente al porodo T:
(k = i, 2, . ).
'En
~to
e.aso cM
IJl,. 7'
y Ja frmula (6.2 .1 9) da
Jf z (t) d l =
k11 =
u
T
k1,2n=k2n,1=
J2n(l}dl=O,
o
r
k1.2n +1 ~ l<in+1,t=
r Zzn..i (t)dt=
2D(1-.-o:r)
az + ro
k2n+1. m+I
1'
k>n+I, 2m+t
k 2n, 2n =
i\
Da
[
2n. (t} sen Cll,. t dt -- -~~~ '1'
~ +~
k: n, :m =
2<J)Stn
a.~+ ~
]
(t - e - o:r _
,
(n , m= t, 2, ... ).
at(t)=i,
257
n-1
:n (t)= ~ c2n. :mim (t)+scnwnt,
m=\
n
ll:n+I
(t)= ~
C2 n+ I, :m-t42m-1
(t)+cos(J)nt
(n=2, 3, . . . ),
m=l
X3
"2 (t)
(t)
(t)= ---v-
Za (t)=--z;-
(i)
n-\
r~n (t) =
.o!n [ ~
+ !n (t)J,
m- 1
z2n+1(t)=
02~+!
(n=2, 3, . . . ).
m= I
Rn (t) =X (t) -
v- t
(6.3.1)
podemos escribir
M 11R,. (t) 121= M [R,. (t) Rn (t)l = M [ 1X (t) 1~1-
,,
(6.3.2)
+ V=tl
L1 D,,x_. (t) x..,(t) = D x(t)- v=
~ n.., jxv(l)I'
I
(<i.3.3)
2iifl
mula
n
D v Xv
v= l
(t) z.
(ti.3 .4)
__ M 11 l? n ( t) 12]
(t) l>x (1)
.
(6.3.5)
(a .t; t ~ ~),
(().:U-i)
1l-oo
259
(6.3.7)
11=1
Para esto es suficiente tomar en calidad de funciones/, (t) las .combinaciones lineales arbitrarias de l as mismas funciones delta:
n
f,(t)=
2J /,1tB(t-t,.),
h= I
(6.3.8)
donde /,11 son coeficientes ar bitrarios. E s evic;lel) te que p1ra ci;1l:quier n fini ta existen sol amente n combioaciones linea~mente il).depil)~
dientes de funciones delta del t ipo (6.3.8). En particular, en la frmla
(6.3.8) se puede poner f ,,= 1, f rh = O cuando h =/= r (r = .1 , 2, . .,n).
Sustituyendo l a. expresin (6.3.8) en las frmulns (6.2.17}"y (6.2.19),
determinemos las funciones z, (t), as como las dispe rsiones y los
momentos de correlacin de las magnitudes aleatorias U , (r =
= 1. 2, . . . , n). L uego, determinando por las frmulas (6.2.25) los
coeflcieotes C-vp. y las dispersiones D,, de las magnitudes ale<1torins
V" (v = 1, 2, .. . , n), hallaremos con ayuda de las frm ulas (6.2.26)
los cot>ficiontes avh en lil frrnula (6.3.7). A continuacin, susliluyendo la expr esin (6.3.7) en (6.2.6) y (6.2.8) y cuin}llieudo la integraci n
1teniendo en cuenta la frmula (2.2.6)1, reduzcamos las frmulas
(1$.2.l) y (6.2.8) correspondientement.e a la forma
" a,.hX(lh)
Vv '= ~
, .... -t_
(v=1 , ... , n },
((i.3.9)
(fi.3.10)
1= 1
,,
2'. "hX (th) = <5"1'
'= 1
(v, = 1, . .. , n) .
(ti.3.11)
X (t) = m x (t)
+ V=1
L: Vvxv (t) .
((l .~ . 12)
11
" ....... 1
v ,.. \ h - 1
"
h-=' 1
v=1
( G.3.13)
17"
280
bM = ~ ~::,. (th)
,,_,
(k, k = 1, 2, .. . , ll)
(Ci.3.14)
v=t
h.:t
~ Vvxv(t11) = ~j bh11X(t,. )
(k - 1, ... , n).
(6.3.l 5)
"'x1 (t1)
av 2 1
av 1Xv- 1 (
O,
llvnXv
1
/ (6.3.16)
(t,}
+ : x,,
(t~)
av2
b112
avh
((1.3.17)
(k = 1, 2, ... , n).
(6.3 .19)
v~1
261
262
..
(ll.4.1)
v= l
S upongnmos que esta descomposicin representa la funcn correlativa en el cuadrado a~ t, t' ~ ~ Demostremos que a la descomposicin (6A.1) le corresponde la descomposicin cannica de la funcin
aleatoria X {t) en el intervalo (a, fl) con las mismas funciones coordena<lns:
00
; V,,x,(t).
(U.4.2)
,~ t
(<p, lj>) =
(6.4.3)
263
(6.4.4)
+/
(h , :ti)
(g,,
(<i.4 .H)
% 1)
= -
(n .1:t)
(lit
X)
(6 ,,.,
' 1'>)
;,
Miltipliquemos ahora la i.gualdad (6.4.10) por x (t) ( < n) e integremos en los lmites de a a p. Entonces, tomando en consideracin
que l as funciones C+ (t), .. ., g,._1 (t) son ortogonales con rcs1lecto
a x (t), obtendremos
(gn X)= bn (gt, X)+ .
b,. (g,., X 11 ) +Un .: i:1 ) . (H.4.13)
lW/o
C11p.
(j
t = 2,
3, .. . l! -- 1).
Una vez delerruinad08 por las frmu las (6.4.14) los coefcieuLos
b,, 1 , b,, . ,, _, , hallamos Ja magnitud (g,., x,,). Si sla resulta igual o cero, debemoll nlcanzar que no sea as, variando la eleccin de la funcin/,. (t). Asi pues, tll procedimiento expuest o permite hallar el sistema de funciones g, (t) que satisfocon las co:nd icioocs (!3.4.li).
Determinemos ahorn l as fnncionos a,, (t) .Por la frm ula
..
(v -= 1 , 2, ... ) .
).-.v
(C.4.15}
Co rno lns funciones Kv (t), Cv+ (t) ... son ortogo1111 les con re~pecto
n t otla:-; las funci ones x 1 (t), . . ., :tv - i (t), entonces la funcin " (l}
es ortogonal con respecto a x 1 (L), x 2 (t), .. ., x,, _1 (t). Por consiguiente, cligieudo los coeficientes Cv>. quech1 alc11nz11r que cada
funcin av (t} sea ortogonnl tambin con respec to a todas las funci<>nel'! x,.+ 1 (t), x,+ 2 (t), . . . , y la intugral de su producto por x,, (t)
sea igual n la unidad. Mul tiplicruido (HA.-15) por .cv (t), in tegrando en
los lmites de a a ~ y t eniendo eu cuenta qui! todas l as funcione:;
F:.r+i g,,+z {t) ... son ortogonales c;on respecto a .:t,, (t), obtendremos
(6.4.16)
lgu nlando esto magnitud a la unidad, hallamos el coefjciente e,,..,:
Cvv =
1
(ll'v :r.,,)
(~i .4 . 17)
Multipliquemos ahora la igualdad (6.4.15) por x 11 (t) ( > v) e integremos en los lm it~ de a a fi. En tonces, tomand o en consideracin
que todas las funciones g .,.+ 1 (t), g .,.+ 2 (t), .. . son ortogonales con
respecto a x 14 (t), obtendremos
(a,,, :r14 ) = Cvv (gv,
X)
+ ... +
Cy,
1<-I
(g 14
_,x..) +
+ Cv (g1,, X14) .
(6.4.18)
(= v + 1, v +2, ... ,
V =
1, 2, .. . ).
(6 .4 .19)
6.4.
Co11~1r1ucl{m
dt la dtttomposlcln
ca11~11tca
=+ ~
00
(t)
D,, (a , Xv)
Xv
(t).
(6A.20)
1
' v- 1
" (t),
"
(G.4 .21)
A:=-v
(6.4. 17)
W ll
..
2J
k,,(tJ =
/)y C0$(l)y't .
\1=71
Al
1~r~~~ntar Cl~lR
frmula
e11 la
foruia
k". (t - t' )= ~ (D,, S~ll <11"1 S(IO ro,.' + Dv CoS ol~t C!)S Colvl' ),
'V':SJ
<1bsurv~nH1s
A1111 U,, Zv sou magni Ludc~ alMtori:is no C<irrolacion11das con csporauws mutlmticas iguale~ a cu10 y las d isper,;iones JJ IUv) ' ::: lJ f;vl = TJv (v= 1, ... , 11).
J lallcn10~ ahora
med io del mtnd n cxiueslo la.~ fu ncionr,.s " (1) quo
sotislaron, ju uto con os !unciones conrd onadn>:< "v (t), las co n<licioul>.~ de hio rtogonalidail (IS.2. l 2), limitndonos, para sim1ilir.id;id. al caso n = 2, 111 1 = .'ti '!. T,
Ol2 = -:t./4T. En este cllSO tctu~mm~ c.uatro uucinnes coordeu adas;
f"'
z 1 (t)
!'(In
<t,
;r.2 (1)
= cos ro.e,
:r. 3 (t} ~
son
(i)zt,
@2
t,
z 4 (t} = cos
013 1.
/ 4 (t) = cns ro 2 t
g 1 (t) =&mro1t,
(g1o :c1) =
5sen210,1dt=T.
-T
La s~guuda funcin g, (t), ortogoual con rcs11ect.o a la primnra funcin c.oorder1ada :l'.2 (t), la hll5Camos eu la forgia g2 (1) = b 21 g 1 (t)
2 (t). El c11oficiente
b21 lo determinamos de la condicin d~ biortogonali<lad de cz (t) con rnspecto
a z1 "(t). Como resultado obtenem os b 21 = O y
+/
g2 (t)=cosoo.1.
(e,. x 2) =
267
+/
+b
"
(g3, x 3 )=1' ( 1-9iii')
.
g (t)
42 2
y determina
ru~p<'<'to
.r1 (t),
g4 (t)- -
Una vez. detorDlinadi!S las funciones llv (t), ~u><rncmos, c<Jnfori:nc al_.inJ9.d o
ex puesto, que .a1 (t}
c11g1 (t)
c12 g 2 (t)
c,.g~ (t)
<u lf (t) y hallam<is
el coeficiente c11 de la condicin de que la magnitud (a,, x1) es igual a In unidad
y los coeficientes c12, cu y c 14 de la condicin do ortogonalidad de la funr.in
a 1 (t) con rcspeeto a x 2 (t), x 3 (l} y -" (1) . Como resnlt.Hdo ohtr.nclrcmos
T(!ln~~-li 4) (3nscnti>1t-8son<1>~t).
(t)
3n
T(9n-t6) (3nCOS(llt -4w.sro,t).
az(t)
aa<t ) = -
3n
(8 scnro11-.,n&i11c12
"
T ( :rZ-S4)
t).
9
P or fin, pon iendo a, (t) = cug, (t) y hahiondo deti>rmilllldo el cooficieut.c ""
<fo la c.crndid611 (11,, x,)
1, tblelldremos
3n
1 (9nZ- ill) (4 co.s ro.1t-3n.cos (1)21).
LI' ckjnml~ al lector que por s mismo compruch q110 las magnilults ulcat.<wias
r
+~
U 1 = .~ xo (t}sen 10,1 di, Zi = ~ xo (1) cos oo 1t dt,
~T
-T
T
U2 =
T
X (t) sen ro 2t di , Z2 =
J xo
-T
-T
no ron corrclacion:1das; :on ell(l , la~ 1nagntudes u, y
y las magnitudes U 2 y Z2 , la dispersiu D 2
z, tienen la d isp~r~in D1
2.68
Cap. 6
R~prcuntacionn
(G.5. l
donde G (i..) es la intensidad del ruido blanco. Hallemos las t:on diciones en que !11 funcin aleatoria X (t) puede ser expresada por
medio de este ruido blanco V (A.) por In integral (6.1.5}. Por.a BSto
hallemos fo funcin correlaeiva recproca de l a funcin aleatoria
X (t) y del ruido blanco V (A.}, suponiendo que la funcin aleatoria
X (t) se expresa por la representacin cannica integral (6.1.5).
Aplicando (4. 7.4) para la funcin correlativa reciproca y la integral
de ella, obtendremos para todos Jos valores de A. en el intervalo
t.,< A.< 1,2
.,
(U ..).2)
).,
De aqu se deriva que l a funcin coordenada z (t; A.). para cadR v11lor
dado del parmetro >.., debe expresarse por la (rmula
x(t, ?,)=
K,,o~}.) ).) -=
c'i.) M[X(t)V(i..)l.
(6.5.3)
xu (t} =
(tl.!l.4)
''
multipliquroosla por la funcin aleatoria V () y tomemos 11.1 esperanza ma~mtica de los miembros derecho e izquierdo de le. igualdad obtenida. Entonces, en virtud de (6.5.1.) obtendremos
,,.
M [X (t) V()]=
~.
A<
= JX (t,
(6.5.5)
~.
269
la misma forma en que buscamos las magnitudes aleator-ias n.o correlacionadas V" at hallar la descomposicin cannic:a de .la f uncin
aleatoria X (t) en el 6.2. Para esto tomemos cierta funcin a (t; A.)
depend iente del parmetro 'A y vamos a buscar el ruido blanco en
l a forma
~
V (A.)=
Ja (t,
(6.5.6)
--
= G~A.)
G~}.)
"
siguiente frmula
(6.5.7)
(G.!i.8)
Como vemos, e!!ta f6.rmula !:Se "~emeja mucho a la (6.2.8) para liis
Ju.nciones coordenada!:S de la descomposicin cannica; slo que en
vez del nmero -v en ella figura el parmetro ininterrurnpidam(mte
variable A. As pues, hemos recibido una condicin que deben sa tisfacer las funciones a (t, A.) y x (t, A.). Sin embargo, l a condicin
(6.5.8) no es suficiente para que la funcin aleatoria V (J.) sea un
ruido bl anco. Para obtener una condicin adicional a la cual la funcin V (A.) ser ruido blanc-0, multipliquemos la frmul a (6.5.6) por
V (A.') y tomemos la esperanza matemtica de la expresin obtenida.
Entonces hallaremos
/1" 0 p,, A.')= M fV (J.) V (A.')J
(li.5.9)
c.
C (A.')
Ja (t, J.,)
"
X (t , J.'} dt .
(!i.5.10)
:.!70
. a (t,
~p., - f.').
I a (t,
(6.5.12)
At
son suficientes tambin para qu.e la runciu X (t) sea expresada por la
represent11cin cannica integral (6.1.5). Para esto calculemos en el
segundo miembro de la frmula (6.5.4) la integral y demostremos que,
ul"cumplir liis cond'iciones (6.5.8), (6.5.11) y (6.5.12), sta es igual
a la funcin aleat:oriA cen trada X (t). En vlrl11d de las fnnulos
(6.5.6) y (6.5.1 2) tenemos
As
.,
a.
>.1
ct
A1
,,
JX (t') ~ (t -
"
t') dt'
=X (t).
(fi.5.1 3)
271
Ahora bien, en este caso la foncl u correlativn contie ne el somo.ndo 2Da6 (t - t ')
Ql\O es la funci911 correlativa del ruido blanco. Sin embargo, lo. propia derivada
X (t) no es mid o blnnw, pu est o que en su funcin correlotlva hay todnvla el
! umando DeteAfl-l'I. Puesto que este sumando tiene l a misma formn que la
funcin correlativa e la unrin rucatoria X (t), es natural suponer quo ~o p11c1k
hAllar una combinac16o \al do la funcin aleatori" X (t) 'Y de s11 clcrh1ada X ' (t) .
quo sea un ruido blanco puro. Examin1>mo., Ja suma
v (tl
~ ax
(t)
+ x' (1) .
(c.r.. 1 ~)
K, {l. 1') =- Kv, (1, t')+aKx {I, n+aKX{/ (1. 1' ).;,-etKX//l {t', t).
Oh:'1v1)wo.~
nhma q ue,
m1
K XIJ l
c11alc~q11i ua l
(G.f>. lii)
y t'
(0.5. i H)
En cfc.-ct.<. al permutar los arumenlos t y t', las expres!oues (4.6.1 4) pasan unu
a la olra . puesto que con cUn el ~ig1111 de deaiguiJdad entre el lrimero y ~I !;<'gu 11dn argumento o:nmbia on el opuesto. Ln S\Jma de cual qlll~l'D. de la$ cxprcsiorocs (.\..ll.14) con otr a expresin, que liena los a rg umentos t y t' pcrmutailos. es
igu nl u cero, qu o <'~ l o qu i' dc11111esLra In igualducl (li .5.16). S u'ftituy<111lo l a~
expresiones de l as funciones correlativas ~o (6.(1.11\) y tenie11Jo e n r.uent11 (C\.5. tr.).
ohtendJ'emos
K 0 (t, t') = 2Da~ (t - t').
(0.fi.17)
~~ l.a
X' -1- aX
V (t).
(fi.!>.18)
,,
1.'Xprc5i11. l11lrodu1.cam1s el multiplir~1lor r'" hojo d
,;igno inll'gral y extondamos el limite supcrinr dl' intcgrnci6n ha~LH cierto 11 > t.
ol m ultiplir.:1r l a funri6n s111Jint~g1a/ por IA r111wiu un ilacl cscnlomul:i i (/ - r >.
Trnu.~rormomos co1a
272
ca,,. 6 RpresenttlL'/f)ne8
>
fu11CIO MS
ttatorios
t:
X (t} =
d1t
CfHW 11C0$
lo
(6.5.19)
lo
Esta l'xprcsin contit>ne Ju constnnle arbitraria In. l'ara lletlll'minar esta cons tante hRll<'mos l a funcin correlat iva Je la funcin nleat.orio X (t). Aplicando
In 16rmula (lo .7 .3) pata la funcin correl ativa d e la integral lle la funcin 11leetc>rlo y leuieu<lo en cuenta que en rst e casi)
= -.-a(l- T)
C (t, T)
1 (t -
T),
ol>lt1nc.lromos
t1 t1
JJ
6 ('t -
T') ciTd't' -
to fo
cn~n
io
r uanolo t < t'.
(l' - T) d't.
Toudr~mos
J
t
to
Cunnclo t
> t',
(0.5.20)
De Rqu se ' 'C que> la funcin a lflat Ol"il'I X fl) rnn lu func in t<trrnl ativa
Oc-a1 1- 1'1 se expresa p<>r mctli() del ruhln h lani:o 1 (t), cuya i ntensidad C3 2Da.,
por la fr muln (tl.5.1 11) si !'e pnno t 0 - -oo :
J
_.,.
11
X (t)
(1 <t).
(G.5.2il
1..)
= t-~t-A)
1 (1 -
/,),
(6 ..5 .22)
Para h11ll11r IM func.ioncs a (t, ?.), obsen tlmos que la frm ul n (IU1. l 4),
on In cual el ruid o blanco V (1.) vo ~xpre-oado mPdi11nto la funcin aleatoria
X (t), puede !W'r CMrit.a en In forma
,,
V (1.)=
6.5. Hercst11taci61'
De aqu
:xi
ve que
a (t, >.) = b' (/ - t)
+ w~ (>. -
t).
273
(6.5.23)
En el ejemplo que sigue veremos que las funciones x (t, A) y a (t, 11), determi
nadas por h frmulas (6.5.22) y (6.5.23), satisfacon las tres condiciones (6.5.8),
(6.5. U} y (6.5. t2).
Elemplo 6.5.2. Los resultados del ejemplo anterior muestran que la fun
cl6n afeatoria no estacirinara X (t) con la Cunel6n correlativa (ll.5.20) so expresa
por la re>resontaci6n cannica integral (6.5.19) en el i'ntervnlo' finito (1 0 , 1,).
Con ello, las funciones coordenadas x (t, X) y las funciones a (t, >.) van exprt>sadas por las mismas frmulas (6.5.22) y (6.5.23) .
Es fcil cerciorarse de quo en Mte caso las funcione-s;,; (t, 1') y a (t, >.) satis'
facen las tres ecuacione.s (6.5.8), (6.5.11) y (6 .5.12). En efecto, para. t 0 < t <;:
<>-<ti
11
to
lt
Para
10
ti
a (t', >.)
/(~ (t,
obtcudremos
11
t') dt' =
io
t
=D
[e- cr<l- 1') _ ,-a11+1' - 2tol {' p.-t') +o: (/..-t')) di'=
11)
6 -a.<r+i..-2to>J =2Dae-ac1-1..
Al div idir las ux1>rcsiu11es o bte11idas p-0r la intensidad del 111ido bl<111co V().).
igual c11 esto caso a 2Da., obtcndremo procisnm~nte. la funcin :r. (t. ).) <lot~rmi
11Acla por la frmula (f;.~.22). As puc:s, lns fnnciones x (t, >.) y a (1, /.) st1tisfar~11
In co11dirit11 ((i.5.8). Luego tonemos
lt
}.')dt=
to
tn
f)~' (c-a(i.'-~lt
=-rxe-a(1.'- i.)
Pero 6 (X' - A) = O paro todos los valores d~ A.' I )., Pm eso el multiplicadll'
.,-<>:-;. puede ser m1st.ituido en la expresin obtenida por la unidu<l. :,.,
o()nsiguicnt.o, las funci<lnes x (t, /..) y a (t, A) satisocen lu condid11 (6.5.11 ).
De un inndo absolutamente anlogo nos convonc.omos de que ollas suUslacP.u
tambi n la cond ic.i6o (<>.5.12.).
( 8 - 0938
271,
Cap. 6 Rtpre.sentactones
con{Mit:lf.<:, d.;
E jem plo 6.5 .3 . Le dejamos al lector <1uo por s mismo se convenza ele q ue
sl X (t) es una func.in aleatoria estacionaria con la funcin c.onclativa
k,.(i:)=Dt-alI
v (t) = x
+ ~ix (t),
~;=a+
w&.
(U.5 .24)
representa un tuido blanco con intensidad igual a 2Da~. Al cxamiuar la ig11aldad (6.5.24) como ecuacin diferencial con respecto a X (t) y al integrarla, 1105
cercioramos de que la !uncin aleatoria X (t) se expresa a travs del ruido blanco
V (i..) por la frmula
t1
X (t)= ;
0
<~t 1 ).
(6.5 .25)
-QO
1
"'(t, J.) = - -
<Do
(.5.26)
t) .
(6.5.27)
Al igual que en ol ejemplo anterior. 11 no puede convoiwerse 1le q1u. la8 [111iriunes
A) y a (t, .), determ inadas por las frmula.~ (6.5.!W) y (ti.5.2i), ~atisfacen
l as coudiciones (6.5 .8), (6.5 .{1) y (6.5.12).
:r (1,
.~
27!!
r
J
..
r ei(l.-7'')1 dt =
eiAt
-oo
ei1't
(j ('}..-'A')
'
""
..
(6.6.2)
-oo
= ei i.t solamente por el multi..licador independiente de t y tomar este mult.iplicado1 como funcin G ('}..).Efectuando en la integral (G.6.2) la sustitucin d~ las variables T = t - t', obtendremos
2~
..J
J kx(T.)e-'dT.
~'l.
-oo
De aqu se ve que las funciones x (t, A.) y a (t, /..), det.erminadns por
las frm ul as (6.6.1), satisfacen la ecuacin (6.5.8) cuando
G (;.) = -~
En virtud de lo demostrado
tor ia
V p.) =
..J
_.,.
l:lll
2~
(G.G.3)
..J
X (t) e-il-I dt
(G.H.4)
"
JV(>.) e
1 1
' d.
(lU>.5)
27G
d~
fun.clont
al~atorlas
..
Sx
(6.6.6)
-oo
""
+)
W (i>.) e0 1
'"
(6.6.7)
..
(6.6.8)
la variable de integracin.
~2
M [V(/) W (>..')] =
bien
4~2
K...,,('>.. , "-')=
Entonces~obtendremos
JJ
-w -oo
....
Jl
Pero
k:r11 (t - t'fetv:-M>dtdt'.
-oo - oo
= t- i: en l a integral con
! Jk,. (-t) e-
4 2
Z77
11
-oc
11.t d-c
e lt>.' - /.JI
respefo
dt.
-oo
..,
etv.-i.i1 dt = 2n6(A.-1'.' ).
..J
~~
_.,,,
kxy
((j.6.9)
obtendremos
K ow
(!., >.') -=
S.r
(6.6.10)
De este modo, hemos demostrado que l a funcin correlativa recproca de l os ruidos blancos en lns representaciones espectrales de
do::s cualesquiera funciones aleatorias estacionarias y estacionariamente ligada.~ contiene como multiplicador la funcin delta. Esto
quiere decir que los valores de estos ruidos blancos, correspondientes a diferentes valores de la lrccuencia, no son correlacionados. En
el 5.G. hemos mostrado esto recurriendo a otros razonamientos.
CAPITULO 7
Todo fenmeno aleatorio est vinculado con cierta indeterminncio. El resultado de observacin de un fenmeno a leatorio no puedo
11er predicho con plena seguridad, es decir, es indeterminado y se
hoce cleterminado solamente despus de In observacin. Por eso, ni
llanificar trabajos rolnciono.dos cou la observacin de fenmenos
aleatorios o al calcular sistemas destinados a funcionar con seales no
conocidas de antemano, debemos tomar eo consideracin la iodetermiirncin de los resultados de observacin de los fenmenos aleatorios, tener c1i cuenta que los resultados de unas mismas acciones y
rruehas pueden ser en ol proceso de trabajo dist.intos. Cabe preguntar
se podra medir In indetermi nacin de fenmenos aleatorios y tenorla 011 cuanta en l\uestros clculos? Para ro.~olver esta cuestin, prestemos atenci11 al hecho ele que en ciertos casos podemos comparar la
indeterminacin do los resultados de diferentes experimentos y decir
con seg1:1ric!ad que la i ndeterminacin de una prueba es mayor que lo
de otr11. As, por ejemplo, si, como resultado de una prueba, el acontecimiento A puerle producirse o no producirse con la probabilidad
de 1/2 y, como resultado de otra prueba, el acontecimiento B puede
sucecler con la probabilidad de 0,99,entonces est claro intuitivamente que la primera prueba posee mayor indeterminacin que la segunda.
En efecto, el resultado el.el pri mer experimento es absolutamente im.p,o..sible.,pr.odecir., Al contrario, prcticomonte podemos estar seguros
de que noaws.. equivocamos a! predecir que, como resultado del segwido experimento, el acontecimiento B se producir. Si en la tercera
prueba el acontecimiento C t iene la probabilidad de 0,9 es evidente
que esta prueba posee mayor indeterminacin que la segunda y menor
que la primera. Esto ejemplo muestra clarameoto que la estimacin
cuantitativa de indeterminacin de Jos resultados de observacin de
los fenmenos aleatorios os, en principio, posible.
Para hallar ol modo de tratar la estimacin cuantitativa de la
indeterminacin de los fenmenos alentorios, imaginmonos que
participando en cunlquier trnbnjo, por ejemplo, en el mando de un
proceso de produccin, liemos efectuado cierto experimento. El resultado del mismo es necesario comunicr.;elo a otros participantes, pHL'a
que puedan cumplir su parte del trabajo. Claro est que la comunica-
279
cin acerca del resultado d.e la prueba liquida 1ior completo la indete~minaci,n quo existia 11ntes de llevar a cabo el e~pedmento.
Para transmitir las comunicaciones se utilizan generalmente los
medios de enlace. La transmisin de comunicaciones se efecta por
l a!I lneas de enlace con ayuda de determinadas seales. Por eso, para
trausmitir una comunicacin, es necesario ponerle en correspondencia
uuu sucesin determinada de seales o, como se dice, cifrar la comunicacin. El cdigo binario es el ms sencillo. En ste l a tran.Smisin
de comunicaciones se efecta por seales de dos tipos. Al ligar con
un tipo !le seal el cero y con el otro, la unidad, reduciremos la codificacin de l a comunicacin a su representacin en forma de una
sucesin de ceros y unidades que alternan de un a roamira det!)rm inaclA. Con ello, es necesario, naturalmente, asegurar que a distintas
comunicaciones les correspondan diferentes sucesiones do ceros
y unid ades. Desde el punto de vist.a terico, al cifrar comunicaciones,
11s necesario tratar de gastar con m11yor economa el tiempo y los
medios requeridos para su trausmisi6n. Esto se puede a lcanzar eligitmdv t.lll procedimiento lle codificacin co11 el cual liea mnimo el
nmero esperable de signos (seales) con ayuda de los cunles i;e
transmit.en las comunicaciones. Es obvio que para asegurar el nt'1mero
mnimo esperable de signos para la transmisin do los comunicaciones
acerca 1lel resulta.do de la prueba en cnostin, es necesario representar los resultados de mayor probabili!lad por las sucesiones m6~ cort1:1R de c.l\ros y nnidade8 y los de menor prohnbillnd, ligarlos t;On
sucesiones ms largas.
P.l posible nmero mnimo esperable de signos requerido pnrn
l iquidar por completo In indeterminocin ele\ resullncio de la prueba,
nl emplear el procedimiento ms econmico de codificacin, conviene
tomnrlo l'Or medida cuont.itativa de 111 indeterminacin del experimen1.o. Con ello, l a unidod <le indeterminacin ser 1111 dgito binario
(en forma abreviada bit) *).
Para renliiar prcticamente el procedimiento de codi!icacin
ms econmico, con el cual la esperanza matemtica del n11Jcro de
dgitos binarios necesarios parn t ransmitir la comu11icacin sobre el
resul t ado .de la prueba sea mnima, se procede del modo siguiente.
Todos lo~ resultados posib l e~ del experimento se clividcu en dos gr upos de nn1ncr11 que la 11rohabilitlnd sumaria de los resultados dH ca1la
grupo son lo ms prxima a In mitad. A un grupo se le asigo a el primer
dgi to binario; ol cero, y al otro, la unidad. Luego cada gru110 ~
divjdc e11 dos subgrupos do modo que la prohnbili!latl surn11ria de los
resnltados de cada subgrupo sea lo ms prxima a un cuarto. IJe tal
manera
contina la divis in de los subgrupos husta que se obt1inga
d subgrupo que contengo 116!0 un resultado del experimento. Lo:;
se
nhr~viatur11
bina,.io.
280
3
4
Pi
1 Dig.
7
1
8
l
-
1
B4
64
iR
64
1
1
()
Og. 6
l
o
-1
-Ahora bien, la comuniuein sobre el resultado mlis probable del uxperimont_o,.;!Je t.ion& la 11robabilidod de i/'l., se transmtir por un solo dlgit<> blnarlo, Q; . l11.. ~omunlc11c1_6n sobre el segundo resultado del experimento, q ue tiene
In pr~babil'l aad d'e 114, se trausmitir por dos dgitos i y O; la comunicaci6n
del tere~ resultado,. que tione la probabilidad de t /8, se tro.nsmitil:i Jl<>r tres
d lgitos; l a comunicacin sobro el cuarto resultado quo tiene l a probabild ad do
1/ 16, ise traDJmlt lr por cuatro dgitos y 1as comuo1cacione.s acerca de cada un<>
de lo~ demb reaultad()s, cuyas probabilidades son igualea a t /64, se tro.nsroiti
rn pT seis dlgitos.
Rallemos la indeterminaci6n del nperirneoto en cuestin, la cual, segn
la definicin o.nteriorm.ente do.da, .es igual a la esperuza matemtica del nmero de-dlgitos requeridos para transmitir la comu.ntcaci6n sobre el resultado de la
prueba. Los val ores p0slblos del nmero de sjgnos que puede comprender la
<:0municac6n sobre el resultado de l a prueba son 1, 2, 3 4 y 6. Las probabilid~
d es de estos valores son iguales, respectivamente, a 1/2, lJ, 1/ 8, t/t6 y 4. t / f\4 =
- ift6. Por eso la esperanza matemtica del mimero de dlgltos <jllC 11uede cnm-
281
16
16
1Dg.
tiOg. 2 Oig. 3
1
t
1
1
1
1
(i
-:
1
1
1
1
-o
-1
o
--
-1
Examinemos el experimento con n resultados posibles cuyas probabilidades sou todas iguales a potencias enteras de una mitad . Es
fcil comprender que, al emplear el procediniien t o de codific11cin
expuesto, al resultado de la prueba cuya probabilidad es 2-"' l o
corresponder m dgitos binarios, lo que evidencian claramente los
ejemplos citados. As, pues , la esperanza mntemtica del nmero de
d gitos comprendidos en la comunicacin sobre el resultado de l experimento en cuestin es igual
R = ~~m2-m,
(7.1.1)
::82
;,
JI= -
p; ~log p 1
(7 .1.2)
1~1
"
(i .U1)
L; PF - 1.
1-1
,l,11 cnt.ropa de un experimento con. un mmero finito n > 1 de
rcsultndo!'\ (o de u11 sistema con un nmeJ'o inito de estados posibles}
l>.~ si cmprn po.~itiva, puesto que lo.<; logaritmos de fraccio.n cs propias
on negativos. Si la pruebi1 tiene un solo resultado posible cuya pro
habiliuad es igual n la ttnitlnd , entonces la entropo de la prueba es
:igu.al i. cero. Esto es natural ya que el experimento con Uil solo
resultado 'Posible careee por completo de -indeterminacin. Demos:ti'emo.~ ci:ue entre todos los experimentos posibles, con n resultados
p.S>s'i:~Jes, 'la .'~ayr entropa la poseen los experimentos d resultados
<e(tuip.rolibles. Para la demostraciu, deduzcamos una desigunldad
.auxiliar. que necesitaremos. ms de una vez a continuacin. Observe
.mos que para cualesquiera valores positivos de x
ln
x< .x-1.
(7.1.4)
efecto, el logaritmo e:;1 una funcin monton11 creciente con derivnda montona de.creci'ente. Por consiguiente, se representa por una
-c1i r.va, cuya- 'convexidad esta dirigda hacia arriba, que se encuentra
por com.vleto bajo cualquier tangente a olln (fig. 7 .1.1.). En particu
Jar, la curva que representa al logaritmo natural se halla por com-
.E1}
283.
!Poniendo x
1/u, obtendremos
!I
In .!...,.;:..!..-1.
"'
!/:&/
lt
-de donde
l nu= - ln.!. :;;,. 1-.!..
"
(7 1 5)
7.t, t.
F1g.
~)2 1og e.
(7.1.6)
Hp= "1
..!.n. 2 1og..!..=!logn
"1 .!. = ~lo,n.
ll
""'ll
'
(7 .1.7)
t.~ t
i= l
"
1=1
f= l
Hc~tando de esta expresin la (7.1.2) de la entropa de un oxpe1i111onto con n resultados que tienen las probabilirlades p 1 , ., Pn, tlm<lremos
n
Hp- ll =
2.'
i--1
p1 2lognp 1
ll 1, -H >- =tog e ~
~ p1
i= t
(1-~)
1ip,
loge ( .'-'#
~ p - ....,
~ ..!.)
,.~ O.
(f.
i=l
1=1
Cap. 7
Enlrupa
e ln/1mnacin
Ji [X)= -
; p1
i~l
log Pt
(7 .2.1)
f(x)dx=f(x1)flx1,
1
.,,,
'2]p=1,
(i=1, . . . , n),
(7.2.2)
i=t
~~
=-
1... 1
"
= - ~
1-1
o bion
H
=-
f (x;) 'log /
(x1) x1 -
i~l
i~t
(7 .2.3)
"
obtendremos
00
11 = H 0 -
.\
_,.
(7 .2.li)
l1 =
_.,.
f (x) 2 log/
(x) dx.
(7 .2.f>)
Observemos a hora 11ue l a integ~al 011 (7.::!.4) y (7.2.5) es la espcrande 111 fuu ciu i log /(X) de l n magnitud a leatoria X.
Por eso ln definicin (7.2.fi) de entropa ele unn magnitud aleatoria
~;i uiat.emlica
(7.2.6)-
Puesto que el origen de la entropa ha sido cambiado arbitrariamente al deducir las frmulas (7.2.~) y (7.2.5), l a entropa de una
magnitud aleatoria continua puede ser tanto positiva como negativa.
Anlogamente al pasar de la escala termomtrfoa absoluta, por ojer.npl o, a la centgrad a, obtendremos los valores de temperatura t anto.
positivos como negativos.
La frmula (7.2.6) determiua tanto la entropa de una magni t ud
aleatoria continua escalar como la de un vector aleatorio cuyas.
coutponeutes son magnitudes aleatoria: continuas. La frmula (7.2.5)
puede servir tambin para la determinacin de la entropa de un
vector aleatorio continuo, si la variable x se entiendo como vector(es decir, como un conjunto de varias variables) y la integral, como.
integral mltiple extendida a todo el dominio do valores posibles
del vector aleatorio X. En forma desarrollada esta frmula se escribir as:
"'
11 = -
...
J/(:r,
1 , ,
d:c,..
(7.2.7)
..
1
/f(XJ =- - - .-W'
V2nD J
rero
1
-
.r -...
V "t.nU -oo
Por lo tanto,
2D d.i=-1,
d:r:.
28T
ll [XI "" -
1
f - 1-21og- d;z=2Jog (b-a).
j b- a
b- a
a
Io k-r
kt-b (z
>
CJ)
..J
;zke-"dz=M(.Yl = f .
)'01
"f.
( ~:;~ )
(i= 1, . . ., n; j= 1, .. ., m.),
( .2.8}
En virtud del principio de ad icin de probabilidades, las probabilidades no condicionales de los valores de la magnitud Y se det.ernii
nao por Ja frmula
,,
q1=P(Y=y)= ~ p,,
1- 1
(7 .2 .!J~
Cap. 7 l!:ntr<>pa
t}t,,.mar.i6n
p = p (X= X)=
'3
}j
PIJ1
i"'l
i ""\
= 1.
(7 .2.10)
"
P1J=P(X=x1IY=Y1)=fll., 2::P1 = 1,
q
i=I
(7.2.1'1)
"
(7 .2.13)
!=i
"'
Sus~itl,ryendo
fy[XJ= -
z:
"
i=i
~_; p1 2log P .
(7 .2.1~)
;,::.1
i-
'ffl
; P1J 2 logQ11 .
t i=I
Hx lYJ= - ~
(i .2. 1.) )
Para determinar la entropa condicional de la magni tud aleator ia continua X coa respecto a la magnitud al'oatori n coutinun }'",
Ullll- IMf{rtitud
aleatoria
281!
..
H[X I YI=-
I f,(xly)
logf 1 (xjy)dx.
(7.2.16)
lly!Xl=M'[fl!XIYIJ=
00
J J fz(y)/t(xjy)=logfdx j y)dxdy.
-oo -oo
Pero
f2
(u) f1 (x 1 y) =
(x, y)
es la denfii<lad conjunta do probabilidad de las magnitudes aleatorias X e Y. Ahora bien, la entropa condicional media de la magnitud
aleat.oria X con respecto a Y se determina por la frmula
Hy[XI= -
00
-QO
- co
Jj
(7 .2.17)
(7 .2.18)
y (7.2.1:l) dan
= p , QiJ = q
=H
las
IYJ .
frmula ~
(7.2.14)
(7.2.'19)
290
Ejemplo 7 .2.4. Las magnitudes aleatorias X e Y tienen distribucin conjunta normal. Hallar la entropa de la. magnitud al eatoria X y su eotropln condicional me1lia con respecto a Y.
CoJUo, segn lv demostrado on el 3.6, las uistribuciones condic.ionales y no
condic ionales d ~ l as cnmponento do un vector aloal.orio DOTmalmcnt11 Tepartidn
son normales, entonces, 11era calcular la entropa y In entro11ia condicio nal de la
magnitud al11al-0ria X. se puede aplicar la frmula deduoida en el ejemplo 7 .2.1.
l'uosto quo conforme e> (3.G. 11) la dsp~rsin condicional de la magnitud aleatoria X 110 depend e del valor 11 de la magnitud Y, la entrooia condicional mndia do
la magnit ud X Clln re:pectn a Y coinci<le con la entropla condicional. Asi pues,
apl icando los resullnd<ts del ejemplo 7.2.1 y lns frmul as (3. 6.G) y (3.6.11)
para l as dispcrsio11os y las lispers!ones condicionales de la!< componentes de
uo v~ctor al eat orio> re partido roormalmente, hallamos
//(XJ=~log
., -
--
2rttCa
v2mrl>[XJ= - 9log
1
2
CJ t C12- C1t
1
2nt
Hu (XJ='log V2mlJ [X 1YJ=T 'log-.
~
Al rominrnr
'11
1- 1 1-1
-;-1
1- 1
j= I
= - ~ ( }j P11) 2 tog p -
L.
i=l
tn
(7 .2.21))
;~ 1
~ p; = P1
1-1
(i = 1, .. . , n).
(7 2.22)
""'"
2Jlt.
R [X, Yl = H [XI
+H
IYJ.
(7 .2.23)
11 IX 1,
.,
+ .. . -+
(7.2. 25)
i=ot
_..!!..
f ,v(xl = v2nf)
- w .
(7.3.1 }
Puesto que
(7 .3.2)
In entropa de la magnitud alcatoiia X puedo ser represc11tada por la
frmula
H IXJ =
""
-
N'
00
-~
-~
(x} dx.
(7 .3.3)
292.
Cap . 7 Hntropta
!n/hrmaciini
..
..
--
-oo
...
(7 .3.4)
l'or lo tanto, en ambas integrales del ltimo miembro de la frmula (7.3 . .'), la densidad nor.mal de probabilidad IN (x) puede ser sustituida por la densidad de probabilidad f (x). Entonces obtendremos
lI !XJ
,~
..
..
-~
-~
=-
""
J[ -{ log (2rr.D)- ~
..j f
log e] f (x) dx
(7 .~~.!:)
~ f (x)ilog / (:r.) dx
H [Y]= -
- oo
lf!Xl - H[Yl=
..J
(7 .3.<J}
Apliquemos ahora la desigualdad (7.1.6). E11 virtud de esta desigualdad podemos escribir
2 1og
f (r.} :-;:;,,
/;.;(:i:)""'
[1 -
fr; (:r)
/(x)
J log
2
(7.3.7)
293
2 loge f
/(.x)~log~dx#
/,y (x)
J
-~
/(x)
-~
= ~loge[
00
..
-cio
- oo
f f(x)dx-)
/.v(x)dx J=O.
i /(x}dx=1 ,
(7 .a.U)
"
..
...
f(x)dx=1,
x/(x)dx=m ,
(7.3.10)
o
o
las magni tudes r epar t idas por la ley exponencial poseen l a mayor
entropa.
Le proponemos al lector que por s mismo demut>stro est,ns aserciones en calidad de ejercicio til.
~ 7.4. lntormacl6n que se contiene en las magnitudes
aleatoria.."
294
ria X, que nos interesa, a menudo no se puede someter a una observacir1. Bo tales caso.<; tenemos que contentarnos con la observacin
de o ~ras magnitudes aleatorias y por los resultados do osta observacin sacar conclusiones aellrca de la magnitud X, es decir, obtener la
informacin sobre la magnitud X. Si esto es posible, se dice que las
magnitudes aleatorias que se observan contienen informacin sobre
la magnitud X. Intuitiv romente est claro qu.e la informacin sobre
la m11gnitud aleatoria dada X I!\ puedon contener MlamentA magnitudes aleatorias ligadus de uno u otro modo con dicha magnitud X,
es decir, dependientes de X. Las magnitudes aleatorias independientes de X no pueden contener ninguna in.formacin de X. Ahora bien,
se puede decir que la informacin es una de las formas de manifestacin ele la dependencia entre las magnitudes aleatorias (o entre
fenmenos ms generales).
Es natural que corno merlida do cantid::1d de informacin :so!Jre
la magnitud aleatorl a X que se coot.ieoe en la magnitud aleatoria Y
se toma la disminucin de la indetermina;in de la magnitud X
ohtcnida como resultado de la observacin de la magnitud Y , es
decir, la diferencia entre la entropa de ln magnitud X y su entropa
condicional media con respecto a la magnitud Y. Partiendo de estas
consideraciones, la cantidad de informacin sobre la magnitud aleatoria X contenida en l a magnitud aleatoria Y se det.ermina por la
frmula
I , !XI =H CXI -Hv IXJ.
{7.4.1)
" ).i
"' Pii ' lo!{ P1J
i=I
(7.4.2)
J~l
ll IXJ = -
~ p ~log P1 = -
f =l
,~
2: l=
~ p;2 log p,.
1~1
(7.4.3)
.9 7.4.
tll
2.95
11 fXl-H u IXI
i=I
1-1
="'L.J "1
p
L.J
11
1ogfu
/JI
" "'
i-
i= l
(7 .4.4)
2 loge.
(i-filL)
PI/
(7;4.5)
"'
1.~ 1
.. ,
"~;) =
m
loge ( 2j ~ p11t~t
J- 1
i...;l
;. J
Li ~ pq).
(7.4.6)
Pero
n
~ ~
i = I j=t
p;1=1,
i- J
f~ I
l~t
H IXI
+ H:x lYI =
H IYI + H uX,
de donde
29G
fx
IYI.
(7.4.8)
(7.4.9}
JI
(7.4.10)
1~1
.!, iiog
2
C11C22
cuc.,-cf.
o blon, toI\lando en considernci6o las rolaciones (3.6. i8) y (a.6.19) entro los
coeflclehtos c 11 y las fs~rslonM y el coeficiente de C(lrrelacin de las compo-
D D
=~log, r.--::;.
xv
v1-r'
donde r es el cooficiente de coruJaci6n de las magnitudes aleatofi115 X e Y.
11,!Xl=z-'logD
/_!!k,
v
297
Captulo 8
Como sabemos, la estabilidad singular de las frecuencias de acontecimientos y de los vlllores medios aritmticos de magnitudes aleatorias es un factor experimental impol'tantisimo que sirvo de base
de la Teorla de las Probabilidades y determina la posibilidad de su
empleo prctico. En el 1.2 dimos la explicacin elemental de estos
factores. En los ejemplos del 3.9 los himos fueron explicados
-teric<1mente con ayuda de las propiedades principales de l as esperanzas matemticas y las dispersiones de magnitudes aleatorias. La
estabilidad lle frecuencias y medias, que se observa prcticamente
y se desprende de los principios fundnmontales de la Teoria do las
Probabilidades, da la posibilidad de determinar por va experimental las caracteristicas estadsticas principales (l as probabilidades de
acontecimientos y las esperanzas matemticas de magnitudes a leatorias). En todos los casos esta posibilidad se determina por el hecho de
que las dispersionos de ciertas foor.iones de los resultados aleatorios
.de los experimentos t.ienden a cero al crecer ilimitadamente el nmero
de pruebas. La frecuencia ele un acontecimiento es la relacin de la
magnitud aleatoria (el nroero de veces de producirse el acontecimiento) al nmero de pruebas, es decir, ella misma es una maguitud
aleatoria. En dititintas series de n expllrimentos iguales cada \loa, la
frecuencia del acontecimiento tomar distintos valores. Sin embargo,
la dispersin de In frecueoci11 siempre puede ser hecha tan pequea
.c<:>'trio se quiera si se realiza en la serie n un nmero de experimentos
lo sufici.e ntemente grande. La media aritmtica de la magnitud aleatoria obtenida en una serie de experimentos os uua magnitud aleatoria, puesto que el valor de la magnitud aleatoria que se examina
es en cada prueba aleatorio. Por consiguiente, en distintas series de
n experimentos iguales la media aritmtica de la magnitud aleatoria
prcticamente siempre tomar d iferentes valores. No obstante, tenien-do la serie un nmero de pruebas n lo suficientemente grande, la
dispersin de la media aritmtica puede ser hecha tan pequea como
.se quiera. Debido a esto l a fluctuacin de J11s medias aritmticas, en
distintas series de n experimentos cada una , ser tan pequea como
:Se quiera siempre que n sea lo bastante grande. As pues, al aumentar ilimitadamente el nmero de pruebas, las frecuencias de aconte.eimientos y las medias aritmticas de magnitudes aleatorias tratan,
P= ~.
(1
(8.1.2).
301
M p = p , D P J= .!!!.L,
ll
(8.1.3)
donde p es la probabilidad buscada del acontecimiento y q = 1 - p. La primera frmula (8.1.3) muestra que la frecuencia del
acontecimiento es la cs~imacin no desplazada do la probabilidad
del mismo. La segunda frmula (8.1.3) muestra que la d~persln
de frecuencia es inversamente proporcional al nmero de expor.imento~ n. Si la calidad de estimacin (8.1.2) se caracteriza por su 4esvla-cin cuadrtica media, se puede decir que el error d~ la ,~estiip acin
de probabilidad de un acon tecimiento, segn la r~rmula (8.1.1),
.decrece inversamente proporcional a Ja ralz. cuadrada del nmro
de experimentos a medida que aumenta este nmero. As, por ejemplo,
al aumentar e l nmero de experimentos 100 veces, el error de estima-cin disminuye 10 veces.
La funcin de distribucin de la magnitud aleatoria X representa
la probabilidad del acontecimi.onto X < x considerada como fun-cin de la variable x. Por eso en calidad de 8.'JLimacin de la funcin
-de distribucin de la m11g11itu1l aleatol"ia X se puede tomar la frecuencia del acontecimiento X < x calculada pnrn 1.orlos los v11lores
le x. Como vimos en el 1.2, al realizar 1~ experim1Jntos, lu frecuencia del acontecimiento X< x siempre so representar por unll curva
-escalonad11, con ello, lns a lturas de los escalones son iguales a 1/n
o mltiples de este nmero. Para hallar la e.~timnci n de la funci n
de distribucin de una magnitud aleatoria continua, est<1 curva
c!'\Calonada comnmente se alisa, es decir, se sustituyo por una curva
ms suave. As p ues, por esti macin de la !uncin de d istri bucin de
unn funcin aleatoria X se toma generalmente [11 funcin obtenida
median.to la diferenciacin de la curva csc11lonada de lil funcin
-0mpirica de distribucin h allada corno curva de la frecuoDcin do!
aconteclmi.onto X < x en [uncin de x. Lo tiiftmmc.iacin puede
ser llevarla a cabo con ayuda de una curva 11naHtica convonionte
-0 n simple vista. En el primer cnso se obtieno una expresin 1111alitica de la estimacin de la funcin do distribucin. En el S(lgumlo
caso la estimacin de la funcin de distrihuci11 se obtiene en forma
de una curva suave que la representa.
L a derivacin de la expresin analtica de la estimacin d e la
funci11 de distribucin de une\ m11gnitud aleatorin es el mejor procedimiento par a hallar la ostmacin de la densidad de probabilidnrl
do la misma. Sil\ embargo, so puede encontrar Lnmbir.i la~ estimaciones de las densidades de probabilidad por medio de la derivacin
grfica de la!I curvas que representan las estimaciones de las funcion es de distribucin. Por fl11 1 se p11ede hallar la e.~timacin de la den-
t8.2.1)'
La estimacin de la esperanza matemtica toma un valor determinado solamente despus de llevar a cabo los experimentos, puesto
q~1e. las magnitudes x 1 , , x,. representan los valores do la magnitud aleatoria z obtenidos como resultado de las pruebas. Designemos por medio de Xu ... , Xn los valores aleatorios de la magnitud
alea.toria X en n experimentos dados. Entonces l a estimacin de la
esperaoza matemt ica de la magnitud .aleatorfa X, considerada antes
de realizar la pr.ueba como magnitud aleatoria, so expresar por la
.~
303
frmula
"
An= ~X;.
(8.2.2)
i~1
[.M~J = ~'"
[M~I = n,: ,
La
D~~~~
"'1 (x-m.,-) 2
1i ,c..,
(R.2.'1)-
l= I
Esta estimacin depende de la esperanza matemtica m,, de la ruagnitud aleatoria X. Por eso puede ser aplicada slo on el caso on que la
esperanza matemtica de la magnitud aleatoria sea c-,ouocida. En
este caso la estimacin (8.2.4), como estimacin de la esperanza
matemtica de l a magn itud aleatoria Y = (X - m,,)2', es una estimacin no desplazada de la dispersin de la magnitud aleat.oria X.
Sin ern.bargo, la esperanza matemtica de una magnitud aleatora
es, como regla , desconocida y se determina por los re~ultados de los
mismos experimentos que la dispersin. En tal es casos conviene
sustituir en la frmula (8.2.4) la esperanza matemtica por su estimacin. Como resultado, paJ"a la estimacin de la dispersi1'in de la
mngnitud alentorin X se obtiene la frmula
"' (
1 L.J
~
l').r~n
xc-ni.,;*)2 .
(8.2.5)
ic:t
tad o de experimentos, por la~ magnitudes aleat.orias correspondient es X h . . , X,, y vamos a co nsiderar In esii maci6n de la dispersin,
s in enlazarla con >ruebas concretas, como magn itud aleatoria:
Z,.
(8.2.G)
1=1
Pero
X1-M':=X1-.!.""
.
,, ,i
;-i
X1 =(i -.!.)X-.!.
~ 1X,
n
n. ,J
,_,
(t 1)'D
Las frmulas (8.2.7) y (8.2.8) muestran que las e.\lpernnzas matemti.c:as de todos los sumandos en la suma de la frmula (8. 2.6) son iguales. Por lo tan to ,
(8.2.!J)
As pues, la esperanza matemtica de la estim acin de la dispersin
.D,, (8.2.6) no es igual a la dispersi n D ", aunque tiende a D,. cuando
a-+ oo, como esto debe ser de acuerdo con 111 definicin de l a esti-
305
Vn = n-1
--Zn = -n -
~ (X1-l'vf'!.)~
1~
(S.2.10)
i= I
"
D:= "~ 1 ~
(.1:1 -m1) 2 .
(S.2.11)
i=I
Esta frmula se aplica generalmente para determinar l as dispers iones de magnitudes aleatoria,, por los resultndos de los experimentos
cuando las esperanzas matemticas son desconocidas.
An'logamente se hallan l as estimaciones de los momentos de
correlacin de magnitudes aleatorias. Como, segn la definicin,
el momento ele correlacin kxu de dos magnitudes a leatorins rea los
X e Y es l a esperanza matemtica de la magnitud aleatoria
(X - m,:) (Y - m ), entonces la estimacin natura l del momento
de correlacin es fa media aritmticn do esta magnitud al eatoria:
n
kt11=-} ~
{8.2.12)
,. _i
"
"" ( 3:;-mx
") ( y ; -m*)
11 ,
(8.'-'. 13)
i::a l
"
m~=+ ~
l=1
j : ,
308
Cap. 8
D~terminactn
lk las
caracter.~ttcas
Al determinar las caractersticas de funciones a leatorias estacionarias, se supone comnmente que stas son ergdicas y se ut iliza una
sola realizacin suficientemente l arga de la magnit ud aleatoria,
obtenida experimentalmente. Supongamos que coruo rasultado de
la prueba ha sido obtenida Ja l'cali:c.acin x (t) de la funcin aleatoda estacionara crgdica X (t) en el inter valo O ~ t ~ T. Entonces, en virtud de lo expuesto en el 5.5, por estimacin do la
espcranzn matemtica de la funcin aleatoria X (t) se puede tomar
la magnitud
r
m~=+ ~ x(t) dt.
(8.3.'1)
.r;(t t) .r(t)
r'trV\Arll~
j_J~
Fig. 8.S.i.
}"ig. 8.3.1.
'!'-~
kHi:)= T~"'
lx(t)-m!'J [x(t-1-)-m~dt.
(8.3.2)
T - 't') puesto
que .. l as funciones x (t) y x (t+ T) son conocidas conjuntamente
solamente en este intervalo (fig. 8.3.1). La frmula (8.3.2) da la
estimacin de la funcin correlativa para 't' >O. Cuando i: < O, l a
estimaci n de la funcin correlativa se determina de la condicin
de su paridAd
mame~.101
307
<
~;
2"
HOS
fm1ciones aleatorins son orgclicas con respecto a la funcin correln.tiva recproca, entonces la estimacin de esta llima a hase de un
p11r de realizaciones x (t) e y (t) de las funciones 11leatoriM X (t)
e Y (t) i1notoda.'l en el intervalo O < t < T se determina por la frmul a
k~v (i:) = r ~ ~
T- t
J [x (t) -m~J
{y (t
+)-mil dt.
(8.3.3)
111~ -e: 1~ ~
X (
i/1 -
~)
i~ 1
+~
n
l =
;e ( if:> -
~)
i~1
(i6 -
~)
(= 'l ,. , ., n) ,
(8.3.5)
A.nlogamento, para las estimaciones de la funcin correlativa
y de la funcin correlativa recproca obtendremos las frmulas
11 -Jll
k.~(m.)= n-ni
--""
; (x;- 1n:)(xi+m -m.~).
(8.3.6)
i;. f
1
n-m
lr~,(mA)= - kJ
"'1 (x1-m:) (y1..m- m~).
n-m
(8.3.7)
309
Pasemos ahora a determinax las densidades espectrales de funciones aleatorias estacionarias. Como procedimiento ms sencillo para
halla.r la estimacin de la densidad espectral de una funcirl alea-
toria estacionaria puede servir l a aproximacin previa de estimacin de Ja funcin correl ativa de una de las tres funciones corrolatvas tipo, examinadas en l os ejemplos de los 5.2 y 5.3, o de l a combinacin lineal de tales funciones, con determ.ioacin sucesiva de
la densidad espectral por las frmulas (5.2.22) (5.3.9). Con ello,
l a estimacin de la densidad espectral se obtiene en forma de una
!uncin racional fraccionaria, lo que es muy cmodo para resol\'~r los
problemas prcticos para los cuales se determina la densidad espectral.
En virtud de los resultados del 5.5, la estimacil) de la .fo~ncin
correlativa de una funcin aleatoria estacionaria, ergdica con respecto u ln funcin correlativa
K;(T) ...
T~'T
T-1'
Jo X{t)X(t -+ -r)dt,
(8.:U:!)
(8.3.9)
T-oo
en el sentido de que la esperanza matemtica del cuadrado de la diferencia entre K~ (i;) y k:c (-r) tiende a cero cuando T-+ oo. Surge l a
pregunta: Se podra determinar la esti macin de la densidad espectral sustituyendo en l a frmula (5.3.9) directamente la estimacin de
la funcin correl ativa calculada por la frmu la {8.3.2)? Con ello,
es necesario sustituir en la frmula (5.3.9) el intervalo infi nito de
integrncin por el finito (-T, T), puesto que, por la realizacin de
l a funcin aleatorL de longitud T, es imposible determinar por la
frmu la (8.3.2) la estimacin de la funcin cor relativa para 1.- 1 > T.
Para resolver la cuestin planteada, es necesario hallar la esperanzo
matemtica y la dispersin de la fun cin aleatorin
1
s ;(cll)= 2n
1K~('t)COSCJ>'td1:= ~ 5
( K;(-r)cosrotdi;. (8.3.10)
-T
Es fcil ver que, en virtud de las frmulas (8.3.9) y (5.3.9), la esperanza matemtica de la funcin aleatoria ~: (<i>) tiende hacia la
de11sidad espectral s,. (CJ>) de la funcin aleatoria X (t) para T-+ oo.
No obstante, en el caso general, la dispersin de la funcin aleatoria
S~ (ro) 110 tiende a cero cuando T-+ oo. Por lo tanto, la funcin
{8.a.10), obtenida como resultado de la transfor macin de Fourier
de la estimacin de la funcin correlati va, es wrn estimacin no
fundada de la densidad espectral y por eso priicticaroente no puede
servir de estimacin de dicha densidad.
3t0
<O<J,
"''
ti)I
()l
(8.3.11)
(8.3.12)
Ct>i
WJ
(8.3.13)
Wl)-Ct
O>o-a;
dw =+)
-_ n2
1:
1:.
(8.3.14)
+J
7'
(8.3.15)
1') Vase J. L. Doob. StochaHic Process~. Iohn Wiley, 1953, chapt. 10,
8 (Vc1sin rusa: J. L. Dooh. Pi:ocosos probal>ilsticos. Editorial de Lif.eratura
au
( )
Sx.
(O)
1
""'n
"
etT
Ct'f
(8.3.16)
't,
s:,
s;
s;
s;
3\Z
/.:;y
(T) e-
1"''
-T
so: ~'t
d't.
(8.::1.17)
t'
Fig. 8.4. t.
Pig. 8.4.2.
313
m~= 2 ~0
l+To
(8.4.t)
x(s}4s.
1.=r0
Cuanto ms ~randa sea el iritervalo 2T0 en sta :frmula :fa:nto "i:nej<ir
ser el alisado. P or otro lado1si TiJ es mu-y grauae , se alisa"r' 't~'.:
bin la propia esperan?.a matemtica de ln funci6n aleatoria. Por
eso se recomienda elegir T 0 lo suficientemente grande, para que en
cualquier intervalo de longitud 2T 0 el carcter aleatorio de 111 funcin aleatoria dada .~e manifieste lo bastante en la realizacin
anotada (es decir, para que en cualqu ier intervalo de longitud 2T 0
se observe una cantidad suficientemente grande de oscilaciones de
la realizacin}, y lo suficientemen te pequeo para que la esperanza
matemtica de la funcin aleatoria X (t) pueda SP.r considerada
aprox imadamente lineal en cualquier intervalo de longitud 2 T 0
Si estas condiciones no se observan, es imposible en principio
determinar la esperanza matemtica de la funcin aleatoria alisando
una de sus realizaciones. De ejemplo tpico de esta clase puede servir la funcin aleatoria en la cual prcticamente todas las realizaciones posibles se representan por curvas suaves. La esperanza matemtica de tal funciri aleatoria puede ser determinada solamente
teniendo un nmero suficientemente grande de r ealizaciones.
Para determinar la estimacin do l a funcin correlativa de una
funcin aleatoria no estacionaria por el mtodo de alisado, partiremos de la igualdad
Kx (t
+ T, t) =
ftf [X (t
+ T)
X (t)
(8.4.2}
(8.'1.3}
rrelntiva la frmula
"t+ T1
t - T1
315
2t
Suplementos
..Jr
"'
e"1-hr> c1t = -V
-- tl.ii ,
11
(1)
p1ir:1 cualquier vnl or real do /1 > O y para cuulquil'J' '1 complejo. En porticul nr, cuoudo '1 = O. 111 lnnul11 (1) toma la forn111
vllch
, - ht
' = ~ii .
(2)
- oo
..J
T ('1)=
el'lt-111
dt.
(3)
obl~od N!mos
l'(r)'=
J t.'ll-h1a1 ~ - 2!t r
-....
e 'lffk- hrt =
o bloo
l ' ('1) -=
.;J.s l (T}).
(4)
Esta fnnula pu~e ser coruildcrada como la ecuacin diferencial que determina
la Integral l (t). Para determioar '()Or completo la in~gral l (TJ) , ahora es sufi
ciente ballar su valor para un valor cualquiera de '1 Lo ms sancillo es calcular
el valor de esta integral para '1 = O, es decir, l a Integral (2):
I (O) =
J"'
e-htdt
(Sl
Sf7
Supmmn
Puesto que esta integral no depende .de cmo est desig11e la la vai:iable de
..J
1 (O) ~
""
2 (0) -
e-h a.,,
frmula~ (~) y
(6)
(11). obtendremos
00
e - l1tt: dt
, -Ah t-
-oo
dtd.t.
-w
Dn
-oo
-oo
-w
o~l.e
E~to
~1~
I =
'
81
)t
Os
Tr Tr
oq -;;.-
- -:;:-,
obtend remos
e-rr dr =
I' "
n e _ ,., u .. h'l ,
1,o;
frmu la
V:
- ...
n 1 (IJ)=" - V11.-e4h.
F.sto es fcil roroprobar por la sust.itucn directa. As!, rues, la frmula (i)
ruoda demostrada.
Ue (1) se dedu~n fcllmcnt.e h18 lrmuills
..J
_.,.,
t21'-le-htdt = 0
{k = t. 2, ... ),
(k = 1. 2, ... )
(7)
(8)
318
Sup~nlO
Pare deducir estas frmulas, derivemos l a frmula (8) con respeel.o al parmetro '1 Cnmo result11d<>
obtcuclr~mos
...
(r =1, 2, ... )
_.,.
Poniendo aqu t = O,
rnu~rcmos
..,
Jt-h' 12
/m (0) =
(r=i, 2, ... ).
dt
(9)
Asi pues, LOOns las int.cgralos que nos ioteresrui ron los \"alorcs de derivadas de
Ja integral l (1)) para T) "" O. La primera derivada de la integral I (i) se determina por la lormula (4). Para detmninar las derivndas do rdenes superiores
de la integral f (1)), derivAmos la frmula (4). Enl.Onces obtendremos
!" (l) = 2! .1 (11)
+~ l ' ('l)
(!O)
y en general
r-1
'l
/ c>(l\)=-w- cr-i1 (1\l +w11.-11 (1J).
(11)
lo que era nocesarin domoslrar. As pu~. put.l'W que la frmula (11) es vlida
para r = 2 (Ja frmula (10)1, sta es vf!A pnra cunlquler r.
Snponendo "n (11) que l') = O, obtendremos
r- 1
Jm (0)= 2h 2 ir- ti (0).
(12)
Pero de (4) se tleri\'a que/ ' (0) = O. Por con~iguici1tc, los valores de todas lns
detlvadas de rdenes impares de la inte~ral l ('1) para TJ = O S<>n iguales a ~eru,
lo que demuestra la frmula (7). Ademas, esta frmula est clara sin demostraei6n, puesto que la integral de una !uncin imp11r eo limites simtricos siempre
'i gual 8 cero.
Poniendo en (t2) sucesivatnente r = 2, 4, 6, .. . , 2k, obte11dremos
ea
z!,
l (O), IV (O)=
!,
(0),
Suplermntos
319
Sustlluyendo aqu1 la expre:>in (2) de la magnitud l (0), obtendremos precisamente la frmula (8).
!Dado que la Iunci6n subintegral en (8) es par, de (8) se deduce una frmula m6s:
(2k-1)11
(k=1. 2, .. ).
2k-Hh~h+l
(13)
...
,:--1-htt di ""':u.o
(k - 1)1
(k=1. 2, ... ) .
(14)
En erecto.
I
~t
- at dt
""'2 J
-~a
,-a"/..
"=2-=ao -2(1
"' :k-1
- (lt>
dt
(k -
1)1
~ ~-
.r. r
.
J
Par~
d.
o:~+ 2
..f
=..::.. e-'11~1
( 1(;)
a;
.- =
,-1a~)d-
(17)
En virlud de esta frmul11 111 integral en (1!\) puede ~cr susLituidn ior la i11te~rnl
doble:
..
,
-oo
tsn d
oo)
~8 1~nd
a~ +~
,-ccx+z'dt.
Can1loia11do el orilt-u
il',..,.t'd
r
J a+;
= J ,-oc:i d:
-~
OQ
it11-1 11i
dt.
( 18 )
-~
'("1
r -'1'-11 du~:oyz~.
, / 1t - 4.
Je
- oo
Sust.ituyeudo
tl~tn 1su-~sin
..
Aunwutando el
dremns
cu (18}, l{'n<lromol!
..
'~ d
-t Vte+ -2
11
c;i
o.,poo~ulc
hasta que
:!('
..
"'*
- <tr --rr dz
, 1; .
V
{- <a V:-~)~}
iV:
V ,-'"' r ex
~
P!l>
d_ .
Al variar
V.l
v ;;.
De aqul hallamo s
__!!._=~ (t+
2
Fig , S.1.
Y:
para
= Oy t
7
J
(21)
Za;
~t'fd =Vi
ci2+i
"
t - aJ'f l
r 6_,.
}..,
(1 +
t
) di.
V:~+2al-rt
lmites simtricos es igual e cern y aplicando ltt frm ula (2} para I
,<; uplemnlto
321
l~ndrcm<>s
.. :""'
5
_ .. q.
e11
= { ne-I T 1 para
par~metro
-e> O.
-r, se oMiono la
(22}
!Je nqul, teniendo en 1a1enta que en lmites si016tricns La integral de una ltu1cl6r>
impnr es igual a cero y la iot.egral do una funr.in par e5 igual 8 la integral
1l11pl1cada de O a oo, obtendrAmos
..
\' cos'td
J
11
a:,+'l . 2a.
-O:ITI
Suplementos
0 ,00
0,01
0,02
0,03
0,04
0,05
0,06
0 ,07
' 0,08
0,0!l
0,10
1
0,11
0,12
0,13
: 0,14
! a
(u)
f,
0,0000
0,0040
0,0080
0,0120
0,0160
0,36
0,37
0,38
0,39
0,40
0,0199
0,0:!.39
0,0279
0,0319
0,0359
0,0398
0,0438
0,0<\78
0,0517
0 ,0557
<I> (u)
\!
0,26<'.2
0,26i3
0, 2703
1,08
1,09
0,7&
0,273"
1,H
0,7t.i
0,3665
0,3686
1 ,13
0,3708
0 ,42
0,43
O,tG28
o, 1664
o, 1808
0,78
0,79
0,80
0,81
0,82
0,83
0,2764
0,2794
0,2823
0,2852
0, 2881
0,2910
0,2939
0,2967
1,12
0,41
0, 1554
0,1591
0,1844
0,84
0,2995
0,50
0,1879
0, 1915
0,51
0,52
0,1950
0, 1985
0,2019
0,2054
0,85
0,86
0,87
0,88
0,89
0,90
O,!H
0 ,3023
0,3051
0,3078
0,3106
0,3!33
0,3159
0.3186
0,92
0,93
0,3212
1 ,28
0,3238
0,3264
0,3289
0 ,3315
0,3340
0, 3365
0,3389
0,3413
0,3437
0,3461
0 ,31.85
0 ,3508
i,29
1,30
1,31
1,32
1,33
t ,34
1,35
1,36
1,37
1,38
1.39
1,40
1Jt1
1,42
1,43
0,44
0, 1700
0,45
0,46
0, 173t.i
0, 47
0,48
0,49
0,1772
0,77
0,0675
0,18
0,0714
0,19
0,20
0,0753
0,53
0,54
0,55
0,0793
0,0832
0,0871
0,57
0,51\
0,0910
0,59
0,2224
0,0948
0 ,0987
0,2257
o, 96
0,2291
0,2357
0,2389
0,97
O, 98
0,99
1,00
1,01
i,02
1 ,03
1,04
1,05
1,06
0,22
' 0,23
i 0,24
0 ,56
0,2088
0,2123
0,2157
0,2100
! 0,26
i 0,27
o, 1026
o, 1064
0,28
0,1103
0,60
0,61
0,62
0,63
0,64
0,29
0,30
0.31
0,32
0,.1141
0,65
0,2422
0,2454
0,21'86
0,2517
0,2549
0,2580
0,2611
; 0,25
1
t
rn
O, 1179
0,66
0,1217
0,67
0,1255
0,1293
O,G8
0,69
0,70
o, 7t
0,1331
0,1368
1 CD (u)
0,17
0,2{
0 ,72
73
0,74
0,0596
0,1406
0,1443
0, 1480
0,1517
: o.1s
o, t i;
0,0636
1 <l> (u)
o,2324
0,94
0,95
1,07
0,3531
0,3554
0,3577
1,10
1,14
1,15
1,16
i ,17
1,18
1,19
1,20
1,2i
1,22
1,23
1,24
1,25
1,26
t,27
0 , 35\19
0,3621
o. 361.3
0,3729
0,3749
0,3770
0,3790
0,3810
0,3830
0 ,3849
0,3869
0,3888
0,3907
0,3925
0,3944
0,3962
0,3980
0,3997
0,4015
0,4032
0,4049
0,4066
0,4082
0,4099
0,4115
0,4131
0,4147
0,4162
0,4177
0,4192
0,4207
0,4222
0,!.23ts
323
Sup/eme11lo1
Continuacin
u
1
1,411
1 ,(15
1,116
1 ,47
1,18
1,49
1 ,50
l,5t
1,52
t,5a
1,5'
1,55
f ,56
i,57
1,58
t ,59
1 ,60
1 ,61
1,62
1,63
1,64
1,G5
t,66
f ,67
i,68
1,69
t,70
t. 71
t ,72
CD (u)
0,4251
0,4265
0,4279
0.4292
0,4306
0,4319
0,4332
0,4345
0,4357
0,4370
0,4382
0. 4891
0 ,4406
0,4418
0,4429
0,4441
0,4452
l' ,4463
0,4474
O,M181
0,4495
0,4505
0, 45t 5
0 ,4525
0,4535
0 ,t,54S
0,4554
0,~564
0,457ll
1, 73
1,74
1,75
1 ,76
1,77
1 ,78
1,79
1,80
t ,81
1,82
1,83
1 ,84
1,85
1,86
1,87
1,88
1,89
1 ,90
1,91
1,92
1,93
1,94
1,95
1,96
1 ,97
J ,98
t,99
2.00
2,02
<I> (u)
1
0,4582
0,4591
0,4599
0,4608
0,4616
0;4625
0,4633
0,4641
0,4649
0,4656
0, 4664
0,4671
0,4678
0,4686
0,4693
0,4699
0,4706
0,4713
0,4719
0,4726
0,4732
0,4738
0,4744
0,4750
0,4756
0,4761
0,4767
0,4772
0,4783
1u
2,04
2,06
2,08
2,10
2,12
2,14
2,16
2,18
2,2.0
2,22
2,24
2,26
2,28
2,30
2,32
2,34
2,36
2,38
2,110
2,42
2,64
2,46
2,48
2,50
2,52
2,54
2,56
2,58
<I> (u)
1
0,4793
0,4803
0,4812
0,4821
0,4830
0,4~
0,4846
0,4854.
o,~861Y
0,4868
0,4875
0,4881
0,4887
0,4893
0,l.S98
0,4004
0,4909
0,49t3
0,4918
0,4922
0,4927
0,4931
0,4934
0,4938
0 ,494.l
0 ,4945
0 ,4948
0,4951
1u
2,60
2,62
2,64
2,66
2,68
2,7Q
2,'(2
2;14
2.~ '
2;78
2,80
2,82
2,84
2,86
2,88
2,00
2,92
2,94
2,96
2,98
3,00
3,20
3,40
3,60
3,80
4,00
4,50
5,00
cI> (u)
1
0,4953
0,4956
0,4959
0,496t
0,49.63
Q,4965
0;4957
0,4~9
d[4~ti
,4973
0,4974
0,4976
0,4977
0,4979
0 ,4980
0,4981
0,4982
0,4984
0,4985
0,4986
0,49865
0,49931
0,4996
0,499841
0,499928
0,499008
0.499991
0 ,49999\lni
A ouesttos lectores:
tM llh edita libros soviticos traducidos al cspaiiol, ingls, francs y rabe. Entre ellos figuran las-.
mejores obras de las distintas ramos de la ciencia v
l a t.cnica; manuales para los centros de enseanz'supcrior y escuelas tocnolgicas; 1itera~ura sobre ciencias naturales y mdicas. Tambin se Incluyen monogra!las. libros de divulgacin clentllica y ciencia ficcin.
Diriian sus opi niones n Editorial t Mllh, 1 Uizhskf por. 2, Mosc GSP l-t10 129820, URSS.
en 1973
Es un libro de .lsrail Guelfand, doctor en ciencias fs'icom~t,emticas y profes0r de Ja Uni".ersiJa_d ~~ t.'osc)l, .~~;1l~jai;i_di(
K1rilov, candidato a .doctor en c1enc.ias fis1co~'!lltemat~as y ~e
Elena Glag6leva, colabo?adora: cient1.ffoa. Es'. el..: " ~~ r.~ .
sorie de matemticas: Bibliotea del a escuela flsico
',i<ia:I''
ii'.4eoit
1:107.Ai':OV YIJ.
En el libro de Yu. R6zanov, doct-Or en cieuci11.s isicomalruntiGOs, se estudian la teoria de las probabilidades y los procesos
aleatorios. En el mismo ge e.s;ponen las nociones fundaml.'utales y
los mtodos de la teorla de las probabilidades moderna, en modelos sencillos se analizan las propiedades ms caracte.rsticas de los
procesos aleatorios de di$tin\os tipos, se eamlnau loll problemas
tericos de las probabilidades que son motivo de cierto in ters
para diferentes fines.
Durante la exposicin del material se omple11Jl, generahnente.
mi6todos direct.os de las probabilidadeso, lo cual contribuye al
desarrollo do la intuicin sobre eate particular, do mucha importancia on la resolucin do los problemas teriws de este tipo. Gracias a ~t-0, el libro do Yu. Rzanov se destaca entre otros manuales poi la teora do los proceSQs alea\Qrios. Adems, los primeros
cap1tulos del libro contienen las nociones indispensables de la
lcnda de las probablidades, por eso nn se exigo de lns lectores un
couocimionto previo do otroa manuales ni una preparacin matem tica general.
Es indud~ble que este libro est destinado a atuellos que por
vez primera estudian la teora de las probabilidades y los procesos
nleatorios. Sin lugar a duda.a, ser acogido co11 grau in ters por
los especialistas, sobro todo, por los profesores de estns disciplinas en los centros de eneei8Jlza tcnica superior.
Ante todo, este libro se recomienda a los esludiantu de lu
especialidades fi sicon1etemticas y tcnicas de Jos centros de enseionzo superior, as como a los especialistas que se interesan por
la opllcacin do 111 \eoria do los procesos aleat.orlos.
l. SUVOROV
MATEMATICAS SUPERIORES
Esto libro se debe al doctor en ciencias; fsiomatemtlca:;.
IOROFEl'SUVOROV'. Esta obracompreniloel estudli>.ilelassl'guien'.;.
tes partes do las matemticas supe~ior~s: .g~oni'~trl'?'ailalitica
en el plano y en el espacio, clclo diferencilc:.fategra1 ,icon!:
coptos fundamentales del anlisis matemti;o;'.iieris, ' concepts.
sobre lneas planas y alabeadas, dlferenciacln e integracinrle funciones de varios argumuntos y ecuaciones diferenciales.
Aqu! tambi6n se inelu7en problemas y ejemplos con sus rcsol11ciono~ y algunas indicaciones de tipo metdico. El libro est ilustrado con esquemas geomtricos que facilitan la comprensin det
material y aclaran los mtodos para la solucin de los problemas.
Es libro de text.o para los centros de enseiianza tcnica superior
y media. Su principal mrito es Ja forma clara y concisa en quel!e .:>xpoM ~l material. En ruso so han publicallo ciuco edic.ione"'
de este libro.
mtica. El material de esta obra se presenta en tres partes fundamcnt.olM: les dos primeras so dedican a la teora de las probabilidades y 111 ltima, a Ja estadstica matem tica. En este manual se
cstudinn los tu1uas ~iguientc9: prnbabilidad de las hipt<?sis;
frmula s do Bayes; distribucin de Poi!,on; nociones de estadistica melomtica y nocin do corrolacln.
La cuarta edicin de este libro contiene algunos cap tulos
nuevus: distribucin exponencial, vcrCicacin de las hipt.e:tis
oslndslicns v anlisis dispersional uniforme.
En el libro se presta gran atencin a los mtodos ostadisticus de elaboracin de los dalos oxporlm~uto.les, las tablas que
so uxpon".n para los c.~lculos son muy cruodHS. Cada cap Lulo conLien11 problemns y gus respuestas que han ~ido elegidos adecuadamente. A1l om1s, todo capitulo va acoml!nl1do de anlisjs de las
sol uci ones de lo~ problemas del mo\~r1al correspondienl.e.
Esta obr11 contiene 17 cnpitulos, vort1s tablas do nmeros,
22 flgurns y un gran m.mero ilu e jemplos tericos y t.<:nicos. so
1ccomionda para los estudiantes cl o Jns facullaclcs ingenierotcncne y econm icas.