Distribución estadística de variables aleatorias complejas.
En teoría de la probabilidad , la familia de distribuciones normales complejas , denotada o , caracteriza variables aleatorias complejas cuyas partes real e imaginaria son conjuntamente normales . [1] La familia normal compleja tiene tres parámetros: parámetro de ubicación μ , matriz de covarianza y matriz de relación . La normal compleja estándar es la distribución univariada con , y .![{\displaystyle {\mathcal {CN}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\mathcal {N}}_{\mathcal {C}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Gamma}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mu =0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Gamma =1}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Una subclase importante de la familia de normales complejas se llama normal compleja circularmente simétrica (central) y corresponde al caso de matriz de relación cero y media cero: y . [2] Este caso se utiliza ampliamente en el procesamiento de señales , donde a veces se lo denomina simplemente normal complejo en la literatura.![{\displaystyle \mu =0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Definiciones
Variable aleatoria normal estándar compleja
La variable aleatoria normal compleja estándar o variable aleatoria gaussiana compleja estándar es una variable aleatoria compleja cuyas partes real e imaginaria son variables aleatorias independientes distribuidas normalmente con media cero y varianza . [3] : pág. 494 [4] : págs. 501 Formalmente,![{\displaystyle Z}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle 1/2}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
donde denota que es una variable aleatoria normal compleja estándar.![{\displaystyle Z\sim {\mathcal {CN}}(0,1)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Z}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Variable aleatoria normal compleja
Supongamos que y son variables aleatorias reales tales que es un vector aleatorio normal bidimensional . Entonces la variable aleatoria compleja se llama variable aleatoria normal compleja o variable aleatoria gaussiana compleja . [3] : pág. 500 ![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Y}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (X,Y)^{\mathrm {T} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Z=X+iY}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Vector aleatorio normal estándar complejo
Un vector aleatorio complejo de n dimensiones es un vector aleatorio normal estándar complejo o un vector aleatorio gaussiano estándar complejo si sus componentes son independientes y todos ellos son variables aleatorias normales complejas estándar como se define anteriormente. [3] : pág. 502 [4] : págs. 501
Es decir , se denota un vector aleatorio normal complejo estándar .![{\displaystyle \mathbf {Z} =(Z_{1},\ldots,Z_{n})^{\mathrm {T} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} \sim {\mathcal {CN}}(0,{\boldsymbol {I}}_{n})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Vector aleatorio normal complejo
Si y son vectores aleatorios , entonces es un vector aleatorio normal con componentes. Entonces decimos que el vector aleatorio complejo![{\displaystyle \mathbf {X} =(X_{1},\ldots,X_{n})^{\mathrm {T} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Y} =(Y_{1},\ldots,Y_{n})^{\mathrm {T} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbb {R} ^{n}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle [\mathbf {X} ,\mathbf {Y} ]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle 2n}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} =\mathbf {X} +i\mathbf {Y} \,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
es un vector aleatorio normal complejo o un vector aleatorio gaussiano complejo .
Media, covarianza y relación.
La compleja distribución gaussiana se puede describir con 3 parámetros: [5]
![{\displaystyle \mu =\operatorname {E} [\mathbf {Z} ],\quad \Gamma =\operatorname {E} [(\mathbf {Z} -\mu )({\mathbf {Z} }-\ mu )^{\mathrm {H} }],\quad C=\operatorname {E} [(\mathbf {Z} -\mu )(\mathbf {Z} -\mu )^{\mathrm {T} } ],}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
donde denota transpuesta matricial de y denota transpuesta conjugada . [3] : pág. 504 [4] : págs.500 ![{\displaystyle \mathbf {Z} ^{\mathrm {T} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} ^{\mathrm {H} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Aquí el parámetro de ubicación es un vector complejo de n dimensiones; la matriz de covarianza es hermitiana y definida no negativa ; y, la matriz de relaciones o matriz de pseudocovarianza es simétrica . El vector aleatorio normal complejo ahora se puede denotar como
![{\displaystyle C}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} \ \sim \ {\mathcal {CN}}(\mu,\ \Gamma,\ C).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Gamma}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle P={\overline {\Gamma }}-{C}^{\mathrm {H} }\Gamma ^{-1}C}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
también es definida no negativa donde denota el conjugado complejo de . [5]![{\displaystyle {\overline {\Gamma }}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Gamma}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Relaciones entre matrices de covarianza
Como para cualquier vector aleatorio complejo, las matrices y pueden relacionarse con las matrices de covarianza de y mediante expresiones![{\displaystyle \Gamma}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {X} =\Re (\mathbf {Z} )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Y} =\Soy (\mathbf {Z} )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}&V_{XX}\equiv \operatorname {E} [(\mathbf {X} -\mu _{X})(\mathbf {X} -\mu _{X})^ {\mathrm {T} }]={\tfrac {1}{2}}\operatorname {Re} [\Gamma +C],\quad V_{XY}\equiv \operatorname {E} [(\mathbf {X } -\mu _{X})(\mathbf {Y} -\mu _{Y})^{\mathrm {T} }]={\tfrac {1}{2}}\operatorname {Estoy} [- \Gamma +C],\\&V_{YX}\equiv \operatorname {E} [(\mathbf {Y} -\mu _{Y})(\mathbf {X} -\mu _{X})^{ \mathrm {T} }]={\tfrac {1}{2}}\operatorname {Im} [\Gamma +C],\quad \,V_{YY}\equiv \operatorname {E} [(\mathbf { Y} -\mu _{Y})(\mathbf {Y} -\mu _{Y})^{\mathrm {T} }]={\tfrac {1}{2}}\operatorname {Re} [ \Gamma -C],\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
y por el contrario
![{\displaystyle {\begin{alineado}&\Gamma =V_{XX}+V_{YY}+i(V_{YX}-V_{XY}),\\&C=V_{XX}-V_{YY}+ i(V_{YX}+V_{XY}).\end{alineado}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Función de densidad
La función de densidad de probabilidad para una distribución normal compleja se puede calcular como
![{\displaystyle {\begin{aligned}f(z)&={\frac {1}{\pi ^{n}{\sqrt {\det(\Gamma )\det(P)}}}}\,\ exp \!\left\{-{\frac {1}{2}}{\begin{pmatrix}({\overline {z}}-{\overline {\mu }})^{\intercal },&( z-\mu )^{\intercal }\end{pmatrix}}{\begin{pmatrix}\Gamma &C\\{\overline {C}}&{\overline {\Gamma }}\end{pmatrix}}^ {\!\!-1}\!{\begin{pmatrix}z-\mu \\{\overline {z}}-{\overline {\mu }}\end{pmatrix}}\right\}\\ [8pt]&={\tfrac {\sqrt {\det \left({\overline {P^{-1}}}-R^{\ast }P^{-1}R\right)\det(P ^{-1})}}{\pi ^{n}}}\,e^{-(z-\mu )^{\ast }{\overline {P^{-1}}}(z-\ mu )+\operatorname {Re} \left((z-\mu )^{\intercal }R^{\intercal }{\overline {P^{-1}}}(z-\mu )\right)} ,\end{alineado}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
dónde y .![{\displaystyle R=C^{\mathrm {H} }\Gamma ^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle P={\overline {\Gamma }}-RC}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Función característica
La función característica de la distribución normal compleja viene dada por [5]
![{\displaystyle \varphi (w)=\exp \!{\big \{}i\operatorname {Re} ({\overline {w}}'\mu )-{\tfrac {1}{4}}{\ grande (}{\overline {w}}'\Gamma w+\operatorname {Re} ({\overline {w}}'C{\overline {w}}){\big )}{\big \}},}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
donde el argumento es un vector complejo de n dimensiones.![{\displaystyle w}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Propiedades
- Si es un vector n normal complejo , una matriz m×n y un vector m constante , entonces la transformada lineal se distribuirá también de forma normal compleja:
![{\displaystyle \mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\boldsymbol {A}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle b}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\boldsymbol {A}}\mathbf {Z} +b}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Z\ \sim \ {\mathcal {CN}}(\mu ,\,\Gamma ,\,C)\quad \Rightarrow \quad AZ+b\ \sim \ {\mathcal {CN}}(A \mu +b,\,A\Gamma A^{\mathrm {H} },\,ACA^{\mathrm {T} })}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Si es un vector n normal complejo , entonces
![{\displaystyle \mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle 2{\Big [}(\mathbf {Z} -\mu )^{\mathrm {H} }{\overline {P^{-1}}}(\mathbf {Z} -\mu )- \operatorname {Re} {\big (}(\mathbf {Z} -\mu )^{\mathrm {T} }R^{\mathrm {T} }{\overline {P^{-1}}}( \mathbf {Z} -\mu ){\big )}{\Big ]}\ \sim \ \chi ^{2}(2n)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Teorema del límite central . Si son variables aleatorias complejas independientes y distribuidas idénticamente, entonces
![{\displaystyle Z_{1},\ldots,Z_{T}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\sqrt {T}}{\Big (}{\tfrac {1}{T}}\textstyle \sum _ {t=1}^{T}Z_{t}-\operatorname {E} [ Z_{t}]{\Big )}\ {\xrightarrow {d}}\ {\mathcal {CN}}(0,\,\Gamma ,\,C),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- dónde y .
![{\displaystyle \Gamma =\operatorname {E} [ZZ^{\mathrm {H} }]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C=\operatorname {E} [ZZ^{\mathrm {T} }]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Caja central circularmente simétrica
Definición
Un vector aleatorio complejo se llama circularmente simétrico si para cada determinista la distribución de es igual a la distribución de . [4] : págs. 500–501 ![{\displaystyle \mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \varphi \en [-\pi ,\pi )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle e^{\mathrm {i} \varphi }\mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Los vectores aleatorios complejos normales centrales que son circularmente simétricos son de particular interés porque están completamente especificados por la matriz de covarianza .![{\displaystyle \Gamma}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
La distribución normal compleja circularmente simétrica (central) corresponde al caso de matriz de media cero y relación cero, es decir, y . [3] : pág. 507 [7] Esto generalmente se denota ![{\displaystyle \mu =0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbf {Z} \sim {\mathcal {CN}}(0,\,\Gamma)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Distribución de partes reales e imaginarias.
Si es una normal compleja circularmente simétrica (central), entonces el vector es una normal multivariada con estructura de covarianza![{\displaystyle \mathbf {Z} =\mathbf {X} +i\mathbf {Y} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle [\mathbf {X} ,\mathbf {Y} ]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{pmatrix}\mathbf {X} \\\mathbf {Y} \end{pmatrix}}\ \sim \ {\mathcal {N}}{\Big (}{\begin{bmatrix}0 \\0\end{bmatrix}},\ {\tfrac {1}{2}}{\begin{bmatrix}\operatorname {Re} \,\Gamma &-\operatorname {Estoy} \,\Gamma \\\ nombre del operador {Estoy} \,\Gamma &\nombre del operador {Re} \,\Gamma \end{bmatrix}}{\Big )}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
dónde .![{\displaystyle \Gamma =\operatorname {E} [\mathbf {Z} \mathbf {Z} ^{\mathrm {H} }]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Función de densidad de probabilidad
Para una matriz de covarianza no singular , su distribución también se puede simplificar como [3] : p. 508 ![{\displaystyle \Gamma}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
.
Por lo tanto, si se desconocen la media distinta de cero y la matriz de covarianza , una función de probabilidad logarítmica adecuada para un único vector de observación sería![{\displaystyle \mu}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Gamma}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle z}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \ln(L(\mu ,\Gamma ))=-\ln(\det(\Gamma ))-{\overline {(z-\mu )}}'\Gamma ^{-1}(z -\mu )-n\ln(\pi ).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
La normal compleja estándar (definida en la ecuación 1 ) corresponde a la distribución de una variable aleatoria escalar con , y . Por tanto, la distribución normal compleja estándar tiene densidad![{\displaystyle \mu =0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Gamma =1}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f_{Z}(z)={\tfrac {1}{\pi }}e^{-{\overline {z}}z}={\tfrac {1}{\pi }}e^{ -|z|^{2}}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Propiedades
La expresión anterior demuestra por qué el caso se llama "circularmente simétrico". La función de densidad depende sólo de la magnitud de pero no de su argumento . Como tal, la magnitud de una variable aleatoria normal compleja estándar tendrá la distribución de Rayleigh y la magnitud al cuadrado tendrá la distribución exponencial , mientras que el argumento se distribuirá uniformemente en .![{\displaystyle C=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mu =0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle z}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle |z|}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle |z|^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle [-\pi ,\pi ]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Si son vectores aleatorios normales complejos circulares de n dimensiones independientes e idénticamente distribuidos con , entonces la norma aleatoria al cuadrado![{\displaystyle \left\{\mathbf {Z} _{1},\ldots ,\mathbf {Z} _{k}\right\}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mu =0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Q=\sum _{j=1}^{k}\mathbf {Z} _{j}^{\mathrm {H} }\mathbf {Z} _{j}=\sum _{j= 1}^{k}\|\mathbf {Z} _ {j}\|^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
tiene la distribución chi-cuadrado generalizada y la matriz aleatoria
![{\displaystyle W=\sum _{j=1}^{k}\mathbf {Z} _{j}\mathbf {Z} _{j}^{\mathrm {H} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
tiene la compleja distribución Wishart con grados de libertad. Esta distribución se puede describir mediante la función de densidad.![{\displaystyle k}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f(w)={\frac {\det(\Gamma ^{-1})^{k}\det(w)^{kn}}{\pi ^{n(n-1)/2 }\prod _{j=1}^{k}(kj)!}}\ e^{-\operatorname {tr} (\Gamma ^{-1}w)}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
donde , y es una matriz definida no negativa.![{\displaystyle k\geq n}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle w}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle n\times n}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Ver también
Referencias
- ^ Goodman, NR (1963). "Análisis estadístico basado en una determinada distribución gaussiana compleja multivariada (una introducción)". Los anales de la estadística matemática . 34 (1): 152-177. doi : 10.1214/aoms/1177704250 . JSTOR 2991290.
- ^ capítulo del libro, Gallager.R, página 9.
- ^ abcdef Lapidoth, A. (2009). Una Fundación en Comunicación Digital . Prensa de la Universidad de Cambridge. ISBN 9780521193955.
- ^ abcd Tse, David (2005). Fundamentos de la comunicación inalámbrica. Prensa de la Universidad de Cambridge. ISBN 9781139444668.
- ^ abc Picinbono, Bernard (1996). "Vectores aleatorios complejos de segundo orden y distribuciones normales". Transacciones IEEE sobre procesamiento de señales . 44 (10): 2637–2640. Código bibliográfico : 1996ITSP...44.2637P. doi : 10.1109/78.539051.
- ^ Daniel Wollschläger. "The Hoyt Distribution (Documentación para el paquete R 'shotGroups' versión 0.6.2)".[ enlace muerto permanente ]
- ^ capítulo del libro, Gallager.R