Universidad de las Fuerzas Armadas ESPE

PROCESOS ESTOCASTICO
NRC: 2687
Variables aleatorias

Gonzalo Cueva Katherine Enrquez Anthony Villa

Procesos Estocasticos
NRC: 2697
Universidad de las Fuerzas Armadas
ESPE
Sangolqu, Ecuador
Email: gcueva4@espe.edu.ec
Procesos Estocasticos
NRC: 2697
Universidad de las Fuerzas Armadas
ESPE
Sangolqu, Ecuador
Email: kaenriquez@edu.ec
Procesos Estocasticos
NRC: 2697
Universidad de las Fuerzas Armadas
ESPE
Sangolqu, Ecuador
Email: arvilla@espe.edu.ec

ResumenEn el presente informe se describe y detalla la
probabilidad y la estadstica que provienen de variables alea-
torias, estocasticas y estadsticas, cuyos valores se obtienen de
mediciones en algun tipo de experimento aleatorio. Indicando
el codigo realizado en Matlab con las respectivas imagenes
generadas.
1. Objetivos
1.1. Objetivo General
Identificar los diferentes metodos para generar va-
riables aleatorias continuas y discretas con las fun-
ciones de distribucion asociadas en MATLAB.
1.2. Objetivos especficos
no realizado, o los posibles valores de una cantidad cuyo
valor actualmente existente es incierto. Intuitivamente, una
variable aleatoria puede tomarse como una cantidad cuyo
valor no es fijo pero puede tomar diferentes valores; una
distribucion de probabilidad se usa para describir la proba-
bilidad de que se den los diferentes valores.
Las variables aleatorias suelen tomar valores reales,
pero se pueden considerar valores aleatorios como valores
logicos, funciones... El termino elemento aleatorio se utiliza
para englobar todo ese tipo de conceptos relacionados. Un
concepto relacionado es el de proceso estocastico, un con-
junto de variables aleatorias ordenadas (habitualmente por
orden o tiempo).
4. Marco Teorico

Reconocer los comandos disponibles en MATLAB 4.1. Variable Aleatoria

para la generacion de variables aleatorias y para las
funciones de distribucion.
Desarrollar un metodo para graficar la funcion de
distribucion acumulada y funcion de densidad de
las variables aleatorias continuas y discretas.
2. Materiales
Software MATLAB
3. Introduccion
Una variable aleatoria o variable estocastica es una
funcion que asigna al resultado de un experimento aleatorio
(los posibles resultados de tirar un dado dos veces: (1, 1),
(1, 2), etc.
Los valores posibles de una variable aleatoria pueden
representar los posibles resultados de un experimento aun
Una variable aleatoria puede concebirse como un valor
numerico que esta afectado por el azar. Dada una variable
aleatoria no es posible conocer con certeza el valor que
tomara esta al ser medida o determinada, aunque s se
conoce que existe una distribucion de probabilidad asociada
asociada al conjunto de valores posibles. Por ejemplo, en
una epidemia de colera, se sabe que una persona cualquiera
puede enfermar o no (suceso), pero no se sabe cual
de los dos sucesos va a ocurrir. Solamente se puede decir
que existe una probabilidad de que la persona enferme. Para
trabajar de manera solida con variables aleatorias en general
es necesario considerar un gran numero de experimentos
aleatorios, para su tratamiento estadstico, cuantificar los
resultados de modo que se asigne un numero real a cada uno
de los resultados posibles del experimento. De este modo se
establece una relacion funcional entre elementos del espacio
muestral asociado al experimento y numeros reales.
4.2. Definicion Formal
Una variable aleatoria (v.a.) X es una funcion real defi-
nida en el espacio muestral, , asociado a un experimento
aleatorio.
X:R
La definicion formal anterior involucra conceptos ma-
tematicos sofisticados procedentes de la teora de la medida,
concretamente la nocion de espacio de probabilidad.
Dado un P espacio de probabilidad (, A, P ) y un espacio
medible (S, ), una aplicacion X P: S es una variable
aleatoria si es una aplicacion A, medible. En la mayora
de los R, quedando pues la definicion de esta manera:
Dado un espacio de probabilidad (, A, P ) una variable
aleatoria real es cualquier funcion A/B(R) medible donde
B(R) es la -algebra boreliana.
4.3. Rango de una variable aleatoria
Se llama rango de una variable aleatoria X y lo denota-
remos RX , a la imagen o rango de la funcion X , es decir, al
conjunto de los valores reales que esta puede tomar, segun
la aplicacion X . Dicho de otro modo, el rango de una v.a.
es el recorrido de la funcion por la que esta queda definida:
RX = {x R| : X() = x}
4.4. Tipos de variables aleatorias
Para comprender de una manera mas amplia y rigurosa
los tipos de variables, es necesario conocer la definicion de
conjunto discreto. Un conjunto es discreto si esta formado
por un numero finito de elementos, o si sus elementos se
pueden enumerar en secuencia de modo que haya un primer
elemento, un segundo elemento, un tercer elemento, y as
sucesivamente.
4.4.1. Variable aleatoria discreta. Una v.a. es discreta si
su recorrido es un conjunto discreto. La variable del ejemplo
anterior es discreta. Sus probabilidades se recogen en la
funcion de cuanta. (Veanse las distribuciones de variable
discreta).
4.4.2. Variable aleatoria continua. Una v.a. es continua
si su recorrido no es un conjunto numerable. Intuitivamente
esto significa que el conjunto de posibles valores de la varia-
ble abarca todo un intervalo de numeros reales. Por ejemplo,
la variable que asigna la estatura a una persona extrada de
una determinada poblacion es una variable continua ya que,
teoricamente, todo valor entre, pongamos por caso, 0 y 2,50
m, es posible.
4.5. Distribucion de probabilidad de una v.a.
La distribucion de probabilidad de una v.a. X, tambien
llamada funcion de distribucion de X es la funcion FX (x),
que asigna a cada evento definido sobre X una probabilidad
dada por la siguiente expresion:
FX (x) = P (X x)
1. lmx F (x) = 0
lmx F (x) = 1
2. Es continua por la derecha.
3. Es monotona no decreciente.
La distribucion de probabilidad de una v.a. describe
teoricamente la forma en que varan los resultados de un
experimento aleatorio. Intuitivamente se tratara de una lista
de los resultados posibles de un experimento con las proba-
bilidades que se esperaran ver asociadas con cada resultado.
4.6. Funcion de densidad de una v.a. continua
La funcion de densidad de probabilidad (FDP) o, sim-
plemente, funcion de densidad, representada comunmente
como f(x), se utiliza con el proposito de conocer como se
distribuyen las probabilidades de un suceso o evento, en
relacion al resultado del suceso.
La FDP es la derivada (ordinaria o en el sentido de las
distribuciones) de la funcion de distribucion de probabilidad
F(x), o de manera inversa, la funcion de distribucion es la
integral de la funcion de densidad:
Z x
F (x) = f (t)dt
La funcion de densidad de una v.a. determina la con-
centracion de probabilidad alrededor de los valores de una
variable aleatoria continua.
4.7. Parametros de una v.a.
La funcion de densidad o la distribucion de probabilidad
de una v.a. contiene exhaustivamente toda la informacion
sobre la variable. Sin embargo resulta conveniente resu-
mir sus caractersticas principales con unos cuantos valores
numericos. Estos son, fundamentalmente la esperanza y la
varianza.
4.7.1. Esperanza. La esperanza matematica (o simple-
mente esperanza) o valor esperado de una v.a. es la suma del
producto de la probabilidad de cada suceso por el valor de
dicho suceso. Si todos los sucesos son de igual probabilidad
la esperanza es la media aritmetica. Para una variable alea-
toria discreta con valores posibles x1 , x2 , x3 , ..., xn y sus
probabilidades representadas por la funcion de probabilidad
p(xi ) la esperanza se calcula como:
 n
X
E[X] = xi p(xi )
i=1

Para una variable aleatoria continua la esperanza se

calcula mediante la integral de todos los valores y la funcion
de densidad f (x):

Z
E[X] = xf (x)dx

La esperanza tambien se suele simbolizar con:

u = E[X]

El concepto de esperanza se asocia comunmente en los Figura 1. Uniforme

juegos de azar al de beneficio medio o beneficio esperado
a largo plazo.

4.7.2. Varianza. La varianza es una medida de dispersion

de una variable aleatoria X respecto a su esperanza E[X]. Se
define como la esperanza de la transformacion (X E[X])2 : 5.1.2. Binomial. La v.a. Binomial tiene la forma X
Bin(n, p) donde 0 < p < 1 es la probabilidad de exito y n
p es el numero de ensayos. Su pdf es:
= V (X)
2 = V (X)

5. Desarrollo de la Practica

5.1. Variables aleatorias discretas n

P (X = x) = px (1 p)( n x)
x
5.1.1. Uniforme. La v.a. Uniforme tiene la forma X
U (N ). Su pdf es:

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

Figura 3. Poisson Ejemplo en MATLAB:

>> clc ; clear all ; 5.2.3. Gamma. La v.a. X tiene distribucion gamma de
>> mu= 5 ; parametro , , representada por X Ga(, ) si tiene
>> s i g =2; como pdf la funcion:
>> x=random ( norm , mu , s i g , [ 1 , 1 0 0 0 ] ) ;
>> [ h , t ]= h i s t ( x ) ; 1
>> r g = t (2) t ( 1 ) ; fx (x) = x1 ex/
()
>> b a r ( t , h / ( sum ( h ) r g ) ) ;
>> ecdf ( x ) para x > 0.
>> pdf norm = p d f ( norm , t , mu , s i g ) ; Ejemplo en MATLAB:
>> h o l d on >> clc ; clear all ;
>> b a r ( t , h / ( sum ( h ) r g ) ) ; >> p =0.2;
>> p l o t ( t , pdf norm , r ) ; >> x=random ( gam , p , [ 1 , 1 0 0 0 ] ) ;
>> hold off >> [ h , t ]= h i s t ( x )
>> r g = t (2) t ( 1 ) ;
>> mu = 1 : 1 0 ;
>> x= gampdf ( 1 , 1 , mu )
>> x1 = e x p p d f ( 1 , mu )
>> b a r ( t , h / ( sum ( h ) r g ) ) ;
>> ecdf ( x )

Figura 5. Normal Figura 7. Gamma

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 )

Figura 6. Exponencial Figura 8. Weibull

5.2.5. Rayleigh. La v.a. X tiene distribucion Rayleigh de
parametro , representada por X Ry() si tiene como
pdf la funcion:

 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.

Figura 9. Rayleigh
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
[4] Signals and Systems with Matlab computing and Simulink modeling.
Steven K. Karris.

5.2.6. Chi-cuadrado. La v.a. X tiene distribucion Chi- [5] Manuales de Matlab

cuadrado de parametro v , representada por X 2 () si
tiene como pdf la funcion:

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 )