Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROCESOS ESTOCASTICO
NRC: 2687
Variables aleatorias
ResumenEn el presente informe se describe y detalla la no realizado, o los posibles valores de una cantidad cuyo
probabilidad y la estadstica que provienen de variables alea- valor actualmente existente es incierto. Intuitivamente, una
torias, estocasticas y estadsticas, cuyos valores se obtienen de variable aleatoria puede tomarse como una cantidad cuyo
mediciones en algun tipo de experimento aleatorio. Indicando valor no es fijo pero puede tomar diferentes valores; una
el codigo realizado en Matlab con las respectivas imagenes distribucion de probabilidad se usa para describir la proba-
generadas. bilidad de que se den los diferentes valores.
Las variables aleatorias suelen tomar valores reales,
1. Objetivos pero se pueden considerar valores aleatorios como valores
logicos, funciones... El termino elemento aleatorio se utiliza
1.1. Objetivo General para englobar todo ese tipo de conceptos relacionados. Un
concepto relacionado es el de proceso estocastico, un con-
Identificar los diferentes metodos para generar va- junto de variables aleatorias ordenadas (habitualmente por
riables aleatorias continuas y discretas con las fun- orden o tiempo).
ciones de distribucion asociadas en MATLAB.
4. Marco Teorico
1.2. Objetivos especficos
Una variable aleatoria (v.a.) X es una funcion real defi- La distribucion de probabilidad de una v.a. X, tambien
nida en el espacio muestral, , asociado a un experimento llamada funcion de distribucion de X es la funcion FX (x),
aleatorio. que asigna a cada evento definido sobre X una probabilidad
dada por la siguiente expresion:
X:R
FX (x) = P (X x)
La definicion formal anterior involucra conceptos ma- 1. lmx F (x) = 0
tematicos sofisticados procedentes de la teora de la medida, lmx F (x) = 1
concretamente la nocion de espacio de probabilidad. 2. Es continua por la derecha.
Dado un P espacio de probabilidad (, A, P ) y un espacio 3. Es monotona no decreciente.
medible (S, ), una aplicacion X P: S es una variable
aleatoria si es una aplicacion A, medible. En la mayora La distribucion de probabilidad de una v.a. describe
de los R, quedando pues la definicion de esta manera: teoricamente la forma en que varan los resultados de un
Dado un espacio de probabilidad (, A, P ) una variable experimento aleatorio. Intuitivamente se tratara de una lista
aleatoria real es cualquier funcion A/B(R) medible donde de los resultados posibles de un experimento con las proba-
B(R) es la -algebra boreliana. bilidades que se esperaran ver asociadas con cada resultado.
4.3. Rango de una variable aleatoria 4.6. Funcion de densidad de una v.a. continua
4.4.2. Variable aleatoria continua. Una v.a. es continua 4.7.1. Esperanza. La esperanza matematica (o simple-
si su recorrido no es un conjunto numerable. Intuitivamente mente esperanza) o valor esperado de una v.a. es la suma del
esto significa que el conjunto de posibles valores de la varia- producto de la probabilidad de cada suceso por el valor de
ble abarca todo un intervalo de numeros reales. Por ejemplo, dicho suceso. Si todos los sucesos son de igual probabilidad
la variable que asigna la estatura a una persona extrada de la esperanza es la media aritmetica. Para una variable alea-
una determinada poblacion es una variable continua ya que, toria discreta con valores posibles x1 , x2 , x3 , ..., xn y sus
teoricamente, todo valor entre, pongamos por caso, 0 y 2,50 probabilidades representadas por la funcion de probabilidad
m, es posible. p(xi ) la esperanza se calcula como:
n
X
E[X] = xi p(xi )
i=1
Z
E[X] = xf (x)dx
u = E[X]
5. Desarrollo de la Practica
1
P (X = x) =
N
para x = 0, 1, 2, ..., n
para x = 1, ..., N
donde N es un entero especfico. Ejemplo en MATLAB:
Ejemplo en MATLAB:
>> clc ; clear all ;
>> x=random ( u n i d , 5 , [ 1 , 1 0 0 ] ) ; >> clc ; clear all ;
>> hist (x ,5); >> n =10;
>> [ h , t ]= h i s t ( x , 5 ) >> p =0.3;
>> b a r ( 1 : 5 , h / sum ( h ) ) ; >> x=random ( b i n o , n , p , [ 1 , 1 0 0 ] ) ;
>> min ( x ) >> [ h , t ]= h i s t ( x ) ;
>> max ( x ) >> bar ( t , h ) ;
>> pdf U= o n e s ( 1 , 5 ) / 5 >> b a r ( 0 : l e n g t h ( t ) 1 , h / sum ( h ) ) ;
>> figure >> ecdf ( x )
>> b a r ( 1 : 5 , pdf U ) ; >> p d f b i n = p d f ( b i n o , 0 : l e n g t h ( t ) 1 , n , p ) ;
>> ecdf ( x ) >> b a r ( 0 : l e n g t h ( t ) 1 , p d f b i n ) ;
>> cdf U =cumsum ( o n e s ( 1 , 5 ) / 5 ) >> c d f b i n =cuscum ( p d f b i n )
>> s t a i r s ( 1 : 5 , cdf U ) >> s t a i r s ( 0 : l e n g t h ( t ) 1 , c d f b i n )
5.1.4. Geometrica. La v.a. Geometrica tiene la forma X
Geo(p) donde 0 < p < 1 es la probabilidad de exito. Su
pdf es:
P (X = x) = p(1 p)( x 1)
para x = 1, 2, ..., n
Esta v.a. modela el evento de que existan x fallos antes
del primer exito.
Ejemplo en MATLAB:
>> clc ; clear all ;
>> p =0.2;
>> x=random ( geo , p , [ 1 , 1 0 0 0 ] ) ;
>> [ h , t ]= h i s t ( x )
>> r g = 1 : l e n g t h ( t ) 1;
>> b a r ( rg , h / sum ( h ) ) ;
>> h ( 1 ) / sum ( h )
Figura 2. Binomial
>> h ( 2 ) / sum ( h )
>> ecdf ( x )
5.1.3. Poisson. La v.a. Poisson tiene la forma X P o() >> p d f g e o = p d f ( geo , rg , p ) ;
es el parametro de intensidad. Su pdf es: >> b a r ( rg , p d f g e o ) ;
>> c d f g e o =cumsum ( p d f g e o ) ;
>> s t a i r s ( rg , c d f g e o )
x
P (X = x) = e( ) x!
para x = 0, 1, 2, ..., n
Ejemplo en MATLAB:
>> clc ; clear all ;
>> lamda = 5 ;
>> x=random ( p o i s , lamda , [ 1 , 1 0 0 ] ) ;
>> [ h , t ]= h i s t ( x )
>> r g = 0 : l e n g t h ( t ) 1;
>> b a r ( rg , h / sum ( h ) ) ;
>> ecdf ( x )
>> p d f p o i s = p d f ( p o i s , rg , lamda ) ;
>> b a r ( rg , p d f p o i s ) ;
>> c d f p o i s =cumsum ( p d f p o i s ) Figura 4. Geometrica
>> s t a i r s ( rg , c d f p o i s )
>> cdf pois (1)
5.2. Variables aleatorias continuas
>> cdf pois (2)
>> cdf pois (6)
5.2.1. Normal. La v.a. X tiene distribucion normal de
parametros u R y 2 R+ , representada por X
N (u, 2 ) si tiene como pdf la funcion:
1 (x u)2
1
fx (x) = exp
2 2 2 2
para < x < .
Sea Z = Xu , esta v.a, se denomina variable normal
estandar. Su cdf es:
Z z
1 2
(z) = P (Z z) = et /2
dt
2
5.2.2. Exponencial. La v.a. X tiene distribucion exponen- 5.2.4. Weibull. La v.a. X tiene distribucion Weibull de
cial de parametro , representada por X Exp() si tiene parametro , , representada por X W (, ) si tiene
como pdf la funcion: como pdf la funcion:
x 1 ( xa )
(
fx (x) = e x) fx (x) = e
para x > 0.
para x > 0.
Ejemplo en MATLAB:
Ejemplo en MATLAB:
>> clc ; clear all ;
>> clc ; clear all ; >> p =0.2;
>> p =0.2; >> x=random ( wbl , p , [ 1 , 1 0 0 0 ] ) ;
>> x=random ( exp , p , [ 1 , 1 0 0 0 ] ) ; >> [ h , t ]= h i s t ( x )
>> [ h , t ]= h i s t ( x ) >> r g = t (2) t ( 1 ) ;
>> r g = t (2) t ( 1 ) ; >> lambda = 1 : 6 ;
>> x = exppdf ( 5 , 1 : 5 ) >> x = w b l p d f ( 0 . 1 : 0 . 1 : 0 . 6 , lambda , 1 )
>> x = exppdf ( 1 : 5 , 1 : 5 ) >> x1 = e x p p d f ( 0 . 1 : 0 . 1 : 0 . 6 , lambda )
>> b a r ( t , h / ( sum ( h ) r g ) ) ; >> b a r ( t , h / ( sum ( h ) r g ) ) ;
>> ecdf ( x ) >> ecdf ( x )
2
x x
fx (x) = exp 2
2 Figura 10. Chi-cuadrado
para x > 0.
Ejemplo en MATLAB: 6. Conclusiones
>> clc ; clear all ; Una variable aleatoria puede definirse como un valor
>> p =0.2; numerico que esta afectado por el azar, a diferencia de
>> x=random ( r a y l , p , [ 1 , 1 0 0 0 ] ) ; una variable aleatoria o variable estocastica la cual es una
>> [ h , t ]= h i s t ( x ) funcion que asigna al resultado de un experimento aleatorio.
>> r g = t (2) t ( 1 ) ; Una variable aleatoria X es una funcion real definida
>> x = [0:0.01:2]; en el espacio muestral, asociado a un experimento aleatorio;
>> y = raylpdf (x ,0.5); una variable aleatoria discreta es parte de un numero finito
>> plot (x , y) de elementos.
>> b a r ( t , h / ( sum ( h ) r g ) ) ; Una variable aleatoria continua es parte de un recorrido,
>> ecdf ( y ) el mismo que no es un conjunto numerable.
Para trabajar de mejor manera con variables aleatorias
en general es necesario considerar un gran numero de ex-
perimentos aleatorios.
El uso de el software matematico Matlab permite tener
una mejor vision de lo estudiado, a la vez que agilita
procesos y permite comprobar resultados.
Referencias
[1] Signals and Systems. Oppenheim, Willsky and Hamid, Prentice Hall,
2000
[2] Fundamentos de senales y sistemas. Edward Kamen & Bonnie Heck
[3] Tratamiento Digital de Senales de Soria, Martnez. Editorial Prentice
Hall
Figura 9. Rayleigh [4] Signals and Systems with Matlab computing and Simulink modeling.
Steven K. Karris.
1
fx (x) = v x(v/2)1 exp(x/2)
2 (v/2)
2
para x > 0.
Ejemplo en MATLAB:
>> clc ; clear all ;
>> p =0.2;
>> x=random ( c h i 2 , p , [ 1 , 1 0 0 0 ] ) ;
>> [ h , t ]= h i s t ( x )
>> r g = t (2) t ( 1 ) ;
>> nu = 1 : 6 ;
>> x = nu ;
>> y = c h i 2 p d f ( x , nu )
>> b a r ( t , h / ( sum ( h ) r g ) ) ;
>> ecdf ( y )