UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA GEOLOGICA, MINERA Y METALURGICA

GEOESTADISTICA I

FUNCION ALETORIA

Docente:
Ing. Augusto Teves Rojas
Autor:
Johann David De la cruz Ordoez

Lima, Mayo 2014

RESUMEN

En el presente informe se mostrara las diferencias entre una distribucin uniforme y

normal, as como la generacin de valores aleatorios de distribucin normal con ayuda
del teorema de limite central, a partir de datos aleatorios de distribucin uniforme, con
ayuda de un algoritmo se generara 1000 valores aleatorios de distribucin normal para
luego hacer su histograma que corroborara lo antes mencionado

ndice General
Resumen2
ndice General...3
Introduccin...4
1. FUNDAMENTO TEORICO...........................5
1.1 Variable Aleatoria .....5
1.2 Distribucion de Probabilidad ....5
1.3 Funcion de Distribucion ....6
1.4 Distribucion uniforme ...7
1.5 Distribucion normal ......8
1.6 Teorema de Limite Central ...9
2. DESARROLLO DEL TEMA ...............................11
2.1 Generacion de 1000 valores aleatorios de Distribucin Normal.....12
2.2 Algoritmo para generar los 1000 valores.....13

3. CONCLUSIONES...14
REFERENCIAS BIBLIOGRAFICAS..15

INTRODUCCIN
Qu diferencia existe en el clculo de probabilidades de la variables aleatorias (V.A.) d
iscretas, que siguen distribuciones binomiales o de Poisson y el clculo de probabilidade
s de variables aleatorias continuas que siguen na distribucin normal?

Una variable aleatoria se define continua cuando el conjunto de valores que puede toma
r es un infinito continuo, es decir, puede tomar cualquier valor en un intervalo. Por el co
ntrario, se define discreta cuando estn medidas finitas o infinitas numerables, represent
an algo que podemos contar, y no suelen llevar decimales. Las distribuciones de probabi
lidad ms utilizadas en variables discretas son la distribucin binomial y la distribucin
de Poison. La distribucin ms frecuente en el caso de las variables continuas es la distri
bucin normal.

El Teorema Central del Lmite indica que, en condiciones muy generales, la distribucin
de la suma de variables aleatorias tiende a una distribucin normal cuando la cantidad d
e variables es muy grade. Es decir, garantiza una distribucin normal cuando n es sufici
entemente grande.

1. FUNDAMENTO TEORICO
1. 1. VARIABLE ALEATORIA
Dado un experimento aleatorio y asociado al mismo, un espacio probabilstico E, una
variable aleatoria es una aplicacin X:ER:, a cada valor de X, del espacio muestral le
hace corresponder un nmero real.

1.1.1 TIPOS DE VARIABLES ALEATORIAS

Las variables aleatorias se clasifican en discretas y continuas:
1
2

1.1.1.1 DISCRETA: La variable aleatoria X se dice que es discreta si los

nmeros asignados a los sucesos elementales de E son puntos aislados. Sus
posibles valores constituyen un conjunto finito o infinito numerable. Por
ejemplo, supongamos el experimento consistente en lanzar tres veces una
moneda no trucada; si consideramos la variable aleatoria X= nmero de caras
obtenidas en los tres lanzamientos, los valores que puede tomar esta variable
aleatoria son finitos (0,1,2,3).

3
4

1.1.1.2 CONTINUA: La variable aleatoria X ser continua si los valores

asignados pueden ser cualesquiera, dentro de ciertos intervalos, es decir, puede
tomar cualquier valor de R. Por ejemplo, si consideramos el experimento
aleatoria consistente en medir el nivel de agua en un embalse y tomamos la
variable aleatoria X= nivel de agua, esta puede tomar valores entre 0 y ms
infinito.

1.2. DISTRIBUCIN DE PROBABILIDAD

Es un modelo terico que describe la forma en que varan los resultados de un
experimento aleatorio, es decir, nos da todas las probabilidades de todos los posibles
resultados que podran obtenerse cuando se realiza un experimento aleatorio. Se
clasifican como discretas o continuas. En la distribucin de probabilidad discreta est
permitido tomar slo un nmero limitado de valores. En la continua, llamada funcin de
densidad, la variable que se est considerando puede tomar cualquier valor dentro de un
intervalo dado.

1.2.1 DISTRIBUCIN DE PROBABILIDAD DISCRETA

Sea un espacio probabilstico y sea X una variable aleatoria discreta que toma
como posibles valores x ,x ,.....x , se define la distribucin de probabilidad de X como
1 2
n
el conjunto de pares (x , p ) que a cada valor de la variable le asocia una probabilidad,
i i
donde p = P(X=x ), tal que la suma de todas las probabilidades es igual a la unidad.
i
i

1.2.2DISTRIBUCIN DE PROBABILIDAD CONTINUA

Si la variable aleatoria es continua, hay infinitos valores posibles de la variable y entre
cada dos de ellos se podran definir infinitos valores. En estas condiciones no es posible
deducir la probabilidad de un valor puntual de la variable como se puede hacer en el
caso de las variables discretas. Pero s es posible calcular la probabilidad acumulada
hasta un cierto valor (funcin de distribucin) y cmo cambia esa probabilidad

acumulada en cada punto (densidad de probabilidad). Por tanto, cuando la variable

aleatoria sea continua hablaremos de funcin de densidad.
Sea X una variable aleatoria continua, se llama funcin de densidad y se representa
como f(x) a una funcin no negativa definida sobre la recta real, tal que para cualquier
intervalo que estudiemos se verifica:
A

P ( x A) f ( x)dx

1.3. FUNCIN DE DISTRIBUCIN

La funcin de distribucin describe el comportamiento probabilstico de una
variable aleatoria X asociada a un experimento aleatorio y se representa como:
F(x) F

Para estudiar la funcin de distribucin distinguiremos entre el caso discreto y el

caso continuo.

1.3.1 CASO DISCRETO: Sea X una variable aleatoria discreta asociada a un

espacio probabilstico, se define la funcin de distribucin:

F ( x ) : R [0,1]

que verifica

F ( x ) P[ X X ] xi x Pi

1.3.2 CASO CONTINUO: Sea X una variable aleatoria continua con funcin
de densidad f(x), se define la funcin de distribucin, F(x), como:

F ( x) P[ x X ]

f ( x)dx

1.4. DISTRIBUCIN UNIFORME (a,b)

Es una distribucin en el intervalo [a,b] en la cual las probabilidades son las mismas
para todos los posibles resultados, desde el mnimo de a hasta el mximo de b.

Funcin de densidad de una distribucin uniforme (altura de cada rectngulo en la

grfica anterior) es:
f ( x)

1
ba

La media, valor medio esperado o esperanza matemtica de una distribucin

uniforme

ab
2

La varianza de una distribucin uniforme:

(b a ) 2
12

1.5. DISTRIBUCION NORMAL

Sin duda, la distribucin continua de probabilidad ms importante, por la frecuencia con
que se encuentra y por sus aplicaciones tericas, es la distribucin normal, gaussiana o
de Laplace-Gauss. Fue descubierta y publicada por primera vez en 1733 por De Moivre.
A la misma llegaron, de forma independiente, Laplace (1812) y Gauss (1809), en
relacin con la teora de los errores de observacin astronmica y fsica.

Caractersticas
Est caracterizada por dos parmetros: la media, y la desviacin tpica, .
Su funcin de densidad es:

f ( x)

1
2

1 x

La curva normal adopta un nmero infinito de formas, determinadas por sus parmetros
y .
Tiene forma de campana, es asinttica al eje de las abscisas (para x = ) Los puntos
de inflexin tienen como abscisas los valores . Simtrica con respecto a la media
() donde coinciden la mediana (Mn) y la moda (Mo).

Los puntos de inflexin tienen como abscisas los valores .

Distribucin normal con 0 para varios valores de

1.6. TEOREMA DE LMITE CENTRAL

El teorema del lmite central indica que, en condiciones muy generales, si Sn es la
suma de n variables aleatorias independientes, entonces la funcin de distribucin de Sn
se aproxima bien a una distribucin normal (tambin llamada distribucin gaussiana,
curva de Gauss o campana de Gauss). As pues, el teorema asegura que esto ocurre
cuando la suma de estas variables aleatorias e independientes es lo suficientemente
grande.
Enunciando Formal
Teorema del lmite central. Si X1, X2, ...,Xn son variables aleatorias (discretas o
continuas) independientes ,con idntico modelo de probabilidad, de valor medio y
varianza 2 , entonces la distribucin de la variable

se aproxima a la de una variable normal tipificada N(0,1), mejorndose la calidad de la

aproximacin a medida que n aumenta.

10

2. DESARROLLO DEL TEMA

Sea:
r11

r12

....... r1n

y1

r21

r22

....... r2 n

y2

.
.

.
.

.
.

.
.

rm 2

rm1

.
.

.
.

.
.

....... rmn

ym

Sacamos el limite de la probabilidad:

lim P a

r
i 1

Aplicamos la Esperanza E=

1
2

z2
2

dz

(Teorema de limite central)

r n
i

y n
Aplicamos la Varianza VAR=

y2
VAR

y 2 n 2

r n

y n

Entonces con esto encontramos el valor normalizado Z:

r
i 1

Y y

y
11

Del cual despejamos el valor con distribucin normal Y:

Y y

i 1

r
i 1

: Suma de valores random <0,1>

n : Media de la suma de valores random

n : Desviacin tpica

: Media de Distribucin Normal

: Desviacin de Distribucin Normal

2.1 GENERACION DE 1000 VARIABLES CON DISTRIBUCION NORMAL

Con la ltima ecuacin de la seccin anterior, se tomara como regla de recurrencia para hacer un
algoritmo que genere los 1000 valores pedidos.

Y y

r
i 1

Para lo cual, las expresiones de y son hallados de la distribucin uniforme:

m1

ab
2

ba
12

Entonces para a=0 y b=1 obtenemos que:

Y y

1
n
2
y
n

12

r
i 1

12

2.2 Algoritmo desarrollado en Matlab:

function numrandnor(n,k,medy,vary)
for j=1:1:k
r=0;
for i=1:1:n
r=r+rand(1);
end
yi=r;
Y(j)=vary*((yi-n*0.5)/(sqrt(n/12)))+medy;
end
x=-1:0.2:5;
mean(Y);
var(Y);
figure;
hist(Y,x)

Con este algoritmo se logro generar un vector Y de dimensin 1000x1 cuyos

componentes son los valores aleatorios de distribucin normal, para verificar esto se
grafica el histograma que se muestra a continuacin:
Distribucion Normal

250

200

frecuencia

150

100

50

0
-2

-1

MEDIA

Variables y

2.981

VARIANZA

COEFICIENTE DE VARIACION

1.443

CV

0.484

13

3. CONCLUSIONES

El teorema de lmite central garantiza una distribucin normal cuando n es

suficientemente grande.

La funcin rand del algoritmo genera datos aleatorios de distribucin

uniforme, cumpliendo con el requisito del teorema de lmite central.

Las expresiones de y fueron obtenidas usando la definicin de media y

varianza en funcin de los momentos de orden 1 y 2.

Los resultados fueron comprobados al graficar el histograma de los valores

aleatorios generados, notndose en dicha grafica la forma de campana de gauss
que caracteriza a la distribucin normal.

La media de los valores aleatorios de distribucin uniforme es constante e igual

a 0.5, esto cuando la cantidad de valores aleatorios entre a y b tiene a infinito.

A medida que se general mas nmeros aleatorios mejora la calidad de la curva

14

REFERENCIAS
-

Tulcanaza, E. (1992).

Tcnica Geoestadstica y Criterios Tcnico-

Econmicos Para la Estimacin y Evaluacin de Yacimientos Mineros.

Chile: Estudios Mineros.
-

Marin, Augusto. Funcin Aleatoria (Apuntes de clase del profesor, Lima,

Per, Abril,2014)

15