Adquiriendo señal…
Adquiriendo señal…
Lección 5 de 9· Matemáticas
0 de 9 lecciones · 0 %
Un sensor mide la temperatura de un panel cuya verdad, en el modelo, es 20 °C; cada lectura lleva un ruido independiente de °C. Una lectura sola cae a veces a 4 grados. Todo ingeniero promedia sin pensarlo. Esta lección responde a tres preguntas: por qué el promedio se acerca a la verdad, a qué velocidad, y qué forma tiene el error que queda.
Sean independientes con media y varianza , y . Por linealidad, . Por la lección 4 (varianzas de independientes se suman) y la lección 2 ():
Con : el error típico vale 1 con 4 lecturas, 0.5 con 16 y 0.25 con 64. Cuatro veces más datos, la mitad del error. Para bajarlo a una décima hacen falta medidas.
Teorema (ley débil). Para todo , cuando .
Demostración. Aplicamos Chebyshev (lección 2) a , cuya media es y cuya varianza es , con :
La demostración usa dos hipótesis: independencia (para sumar varianzas) y varianza finita. En el video 5.1, seis promedios acumulados de diez mil lecturas quedan todos entre 19.98 y 20.03: nadie los empujó.
Cuándo falla. La distribución de Cauchy, , tiene colas tan gruesas que : no tiene media. Puede demostrarse que el promedio de Cauchy independientes es otra Cauchy igual de ancha. Promediar no sirve de nada: de vez en cuando una sola medida enorme arrastra todo el promedio. Su centro es la mediana, 0, pero la ley pide una media finita.
La ley dice adónde va el promedio; el teorema del límite central (TLC) dice qué forma tiene el error. Si las son independientes, idénticas, con media y varianza finita,
es decir, para todo , sea cual sea la distribución de partida. La demostración completa usa funciones características y queda fuera de esta lección; lo que sí se ve con números es la velocidad.
Ejemplo resuelto (video 5.2.1). Tres uniformes en : cada una tiene media y varianza , así que la suma tiene media y desviación . El histograma de cincuenta mil sumas ya se confunde con la normal de esa media y esa desviación.
La asimetría se diluye como . El tercer momento estandarizado (asimetría) de una suma de independientes idénticas es el de una sola dividido entre . La exponencial tiene asimetría 2: la suma de 5 queda en y la de 30 en . El dado y la uniforme ya eran simétricos, por eso convergen antes.
Por qué el ruido es gaussiano. El voltaje de ruido de un receptor es la suma de muchísimas contribuciones pequeñas e independientes. En el modelo del video 5.2.4, doscientas contribuciones de cinco formas distintas suman una gaussiana con calculada de 9.82 μV y medida de 9.83 μV. Es la respuesta pendiente de la lección 3.
¿Cuál de estas condiciones NO hace falta para que la media de n medidas converja a la verdad?
Si una cantidad se puede escribir como una esperanza, se puede estimar promediando simulaciones. Estimar π. Con puntos uniformes en el cuadrado unidad, el indicador es Bernoulli de parámetro . El estimador tiene, por la fórmula de la varianza de la media,
Con cien mil puntos, . En la simulación del video salió 3.12 con cien puntos, 3.156 con mil y 3.146 con cien mil. Ganar un decimal cuesta cien veces más puntos.
La dimensión no importa. El volumen de la bola unidad es en 3 dimensiones y en 6. Monte Carlo lo estima con el mismo error en ambos casos ( y con cien mil puntos). Una rejilla de 10 puntos por eje pediría 1000 puntos en 3D y un millón en 6D: el coste de la rejilla crece como .
Una misión simulada mil veces (video 5.3.4). Una maniobra muy simplificada de 10 m/s seguida de 600 s de deriva, con dos errores de ejemplo: 1 % de empuje (a lo largo) y 0.5° de apuntado (transversal). El error de posición es m, es decir, gaussianas de m y m. En mil corridas la mitad queda bajo unos 65 m, el 95 % bajo unos 135 m y la fracción fuera de una tolerancia de 150 m es de un 3 %, con un error de Monte Carlo de %. El curso de simulación de ATP hace esto mismo con modelos completos.
El laboratorio pone los dos teoremas sobre la misma base. Arriba, veinte mil sumas estandarizadas frente a la normal, con el mayor error entre las dos acumuladas marcado en rojo. Abajo, seis sensores que promedian: arrastra sobre la gráfica para elegir cuántas medidas y compara la dispersión real de los seis caminos con . Luego elige Cauchy.
Promediar es un estimador: una receta que convierte datos ruidosos en un número. La lección 6 pregunta qué hace bueno a un estimador (sesgo, varianza, la cota de Cramér-Rao), cómo elegir el parámetro más creíble (máxima verosimilitud) y cómo decidir si hay señal o solo ruido.
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Probabilidad y procesos: del azar al ruido».