Variables Aleatorias
Chica Antonio, Gordillo Cristian, Sambrano Yeslie
Departamento de Electrica y Electronica, Universidad de las Fuerzas Armadas ESPE
Sangolqu-Ecuador
jachica1@espe.edu.ec
cdgordillo@espe.edu.ec
yeslie_sam8@hotmail.com
Abstract.- In this paper we discuss topics: such as B. Binomial
probability distributions, random function, discrete Se repite el mismo experimento n veces en forma indepen-
random variables and continuous random variables. diente y se cuenta el numero de veces que se produce el evento
A. Se considerara la repeticion de los n experimentos como
un nuevo experimento global. Como solamente nos interesa el
Resumen.- En este trabajo se discuten temas tales como: evento A, bastara guardar de la experiencia global una n-tupla
las distribuciones de probabilidad , funcion aleatoria , va- booleana del tipo:
riables aleatorias discretas y variables aleatorias continuas.
(A, A, A, A, A, ..., A, A)
I. O BJETIVOS la cual sera mas facil de transformar en una -tupla de 0 y 1.
1. Objetivo General
Identificar los diferentes metodos para generar C. Geometrica
variables aleatorias continuas y discretas con las El problema aqu es observar una sucesion de repeticiones
funciones de distribucion asociadas en MATLAB. independientes de un mismo experimento. Nos interesa el
momento en que se produce el evento A por primera vez. Se
2. Objetivos Especficos asume que la probabilidad p de A es estrictamente positiva.
Reconocer los comandos disponibles en MATLAB Denotemos por X el nAo mero de orden del experimento en
para la generacion de variables aleatorias y para las el cual A ocurre por primera vez. Es una variable aleatoria
funciones de distribucion. que depende del experimento:
Desarrollar un metodo para graficar la funcion de
distribucion acumulada y funcion de densidad de El conjunto de los valores posibles para X es 1, 2, ... = N .
las variables aleatorias continuas y discretas. Para todo k 1 se tiene:
AA)] = (1 p)...(1 p)p = p(1 p)k1
P [X = k] = P [(A...
II. I NTRODUCCI ON
Se dice que una variable aleatoria es discreta si toma un D. Variables Aleatorias Continuas
numero finito o grandes valores: Sea X una variable aleatoria con valores en R y fX
una densidad de probabilidad sobre R. Se dice que X es
X {xk , k K N } una variable aleatoria continua de densidad fX si para todo
intervalo A de R se tiene:
En este caso la ley de la variable aleatoria es la ley de
R
probabilidad sobre el conjunto de los valores posibles de que P [X A] = A
f (x)dx
asocia la probabilidad P [X = xk ] al singleton {xk } En la
practica el conjunto de los valores que puede tomar X es N La ley de la variable aleatoria X es la ley continua sobre
o una parte de N . R, de densidad fX .
A. Uniforme Para determinar la ley de una variable aleatoria continua,
La ley uniforme definida sobre un conjunto finito es la ley hay que calcular su densidad. De manera equivalente, la ley
de sorteos al azar en este conjunto o equiprobabilidad. Ella de una variable continua se determina dando la probabilidad
asigna la misma probabilidad 1/n a todos los elementos del de que ella pertenezca a un intervalo I cualquiera.
conjunto, si el cardinal del conjunto es n.
E. Normal
La ley normal, ley de Gauss o Laplace-Gauss es la mas
celebre de las leyes de probabilidad. Su exito y su omnipre-
sencia en las ciencias de la vida vienen del Teorema del Lmite
Centrado que estudiaremos mAs adelante. La ley normal de
parametros R y 2 R+ se denota por N (, 2 ). Ella
tiene por densidad a la funcion:
1 (xu)2
e 22
2
F. Weibull
La ley de Weibull de parametros a > 0 y > 0, denotada
por W(a, ), tiene por densidad:
a
axa1 ex
Se la emplea como modelo de duracion aleatoria,
principalmente en fiabilidad (duracion de funcionamiento sin
roturas, duracion de reparacion). La ley W(1, ) es la ley
E().
Palabras Clave - MATLAB, variable aleatoria, funcion
random
III. D ESARROLLO DE C ONTENIDOS
A. Variables aleatorias discretas
1) Uniforme
clc;clear all;
2) Binomial
x=random(unid,5,[1,100]);
%hist(x/sum(x),5) clc;clear all;
figure(1) n=10;
[h,t]=hist(x,5); p=0.3;
bar(1:5, h/sum(h)) x=random(bino,n,p,[1,100]);
min(x)%rango de la variable aleatoria x %hist(x/sum(x),5)
max(x) figure(5)
pdf_u=ones(1,5)/5 [h,t]=hist(x,5);
figure(2) %bar(t,h)%pero esto es numero real y como solo
bar(1:5,pdf_u) necesitamos de numeros entero
figure(3) bar(0:length(t)-1,h/sum(h));
ecdf(x) %ahora calcular la pdf de la binomial
cdf_u=cumsum(ones(1,5)/5)
figure(4) figure(6)
stairs(1:5,cdf_u)%ideal ecdf(x)%Calcula la cdf aproximada de los datos
pdf_bin=pdf(bino,0:length(t)-1,n,p); rg=0:length(t)-1
bar(0:length(t)-1,pdf_bin) bar(rg,h/sum(h));
%ahora calcular la cdf de la binomial %ahora calcular la pdf de la de lambda
figure(7)
figure(8)
cdf_bin=cumsum(pdf_bin); ecdf(x)
stairs(0:length(t)-1,cdf_bin) pdf_pois=pdf(pois,rg,lamda);
bar(rg,pdf_pois)
%ahora calcular la cdf de la binomial
figure(9)
cdf_pois=cumsum(pdf_pois);
stairs(rg,cdf_pois)
p=cdf_pois(6)
3) Parametro Lambda
clc;clear all;
lamda=5
x=random(pois,lamda,[1,100]);
figure(7)
[h,t]=hist(x);
4) Geometrica clc;clear all;
mu=5;
clc;clear all; sig=2;
p=0.5; x=random(norm,mu,sig,[1,100]);
x=random(geo,p,[1,1000]);
[h,t]=hist(x);
figure(10) rg=t(2)-t(1)%factor de correccion
[h,t]=hist(x); bar(t,h/sum(h)*rg);%histograma normalizado
rg=1:length(t) figure
bar(rg,h/sum(h));
%ahora calcular la pdf de la de p ecdf(x)
h(1)/sum(h) pdf_norm=pdf(norm,t,mu,sig);
h(2)/sum(h) hold on
plot(t,pdf_norm,r);
figure(11) hold off
ecdf(x)
pdf_geo=pdf(geo,rg,p);
bar(rg,pdf_geo)
%ahora calcular la cdf de la binomial
figure(12)
cdf_geo=cumsum(pdf_geo);
stairs(rg,cdf_geo)
p=cdf_geo(2)
2) Exponencial
clc;clear all;
mu=5;
sig=2;
x=random(exp,mu,sig,[1,100]);
[h,t]=hist(x);
rg=t(2)-t(1)%factor de correccion
ecdf(x)
figure
bar(t,h/sum(h)*rg);%histograma expalizado
hold on
%figure(3)
pdf_exp=pdf(exp,t,mu,sig);
plot(t,pdf_exp,r);
hold off
B. Variables Aleatorias Continuas
1) Normal
hold on
%figure(3)
pdf_wbl=pdf(wbl,t,mu,sig);
plot(t,pdf_wbl,r);
hold off
3) Gimma
clc;clear all;
mu=5;
sig=2;
x=random(gam,mu,sig,[1,100]);
[h,t]=hist(x);
rg=t(2)-t(1)%factor de correccion 5) Chi-square
ecdf(x)
clc;clear all;
figure
mu=5;
bar(t,h/sum(h)*rg);%histograma gamalizado
sig=2;
hold on
x=random(chi2,mu,sig,[1,100]);
%figure(3)
[h,t]=hist(x);
pdf_gam=pdf(gam,t,mu,sig);
rg=t(2)-t(1)%factor de correccion
plot(t,pdf_gam,r);
ecdf(x)
hold off
figure
bar(t,h/sum(h)*rg);%histograma chi2alizado
hold on
%figure(3)
pdf_chi2=pdf(chi2,t,mu,sig);
plot(t,pdf_chi2,r);
hold off
4) Weibull
clc;clear all;
mu=5;
sig=2;
x=random(wbl,mu,sig,[1,100]);
[h,t]=hist(x);
rg=t(2)-t(1)%factor de correccion C. Consulta
ecdf(x) 1. QUE ES FUNCION RANDOM DE MATLAB?
figure El comando rand produce numeros pseudoaleatorios en
bar(t,h/sum(h)*rg);%histograma wblalizado el intervalo (0, 1). La instruccion rand(m,n) genera
aleatoriamente una matriz de dimension mxn as como 3) QUE ALGORITMOS SE USA PARA EL
rand(n) genera una matriz aleatoria de dimension nxn. FUNCIONAMIENTO DE RAND?
Los elementos de todas estas matrices, como se ha dicho
anteriormente, pertenecen al intervalo (0, 1). Se puede 1. LA GENERACION DE ESTADISTICAS SIMULADAS
extender el intervalo de los numeros, por ejemplo entre
0 y 10, con la instruccion (10 rand(m, n)) . Funcionamiento: La generacin de estadsticas simula-
Con f ix(10 rand(m, n)) obtenemos una matriz de das, o sea de valores de las variables aleatorias, tienen
numeros enteros entre 0 y 9. una naturaleza enteramente numerica y deben confi-
gurarse mediante la aportacion de numeros aleatorios.
2. COMO FUNCIONA? Estos numeros se introducen al proceso o sistema bajo
Sintaxis estudio (en donde el sistema se representa por un modelo
Y = rand(n) probabilstico) a fin de obtener ciertas cifras (o valores
Y = rand(m,n) de las variables aleatorias) de las cuales se obtengan las
Y = rand([m n]) respuestas. Como regla general, el proceso de simulacion
Y = rand(m,n,p,...) estocastica comprende una actividad de reemplazo del
Y = rand([m n p...]) universo estadstico de elementos que se emplean en el
Y = rand(size(A)) sistema por su contraparte teorica, un universo descrito
rand por una distribucion probabilstica supuesta (por ejem-
s = rand(state) plo, una distribucion normal), seguido de un muestreo
efectuado sobre esta poblacion teorica, con la ayuda de
Descripcion: La funcion rand genera matrices de nume- cierto tipo de generador de numeros aleatorios.
ros aleatorios cuyos elementos se distribuyen de manera En estos casos, el proceso estocastico se puede reprodu-
uniforme en el intervalo ( 0,1) . cir (o si se quiere simular) tan solo mediante un muestreo
aplicado sobre las distribuciones empricas en lugar de
Y = rand ( n ) devuelve una matriz n- por -n de considerar algunas de las distribuciones teoricas conoci-
entradas aleatorias . Un mensaje de error aparece das. Resulta aconsejable el empleo, en primer lugar, de
si n no es un escalar . las distribuciones teoricas convencionales y si ninguna
de ellas describe adecuadamente el comportamiento del
Y = rand (m , n) o Y = rand ( [ mn] ) devuelve proceso, entonces deberemos, necesariamente, recurrir
una matriz de m por n de entradas aleatorias. a distribuciones empricas. La primera meta de este
captulo, es proveer un conjunto de tecnicas especficas
Y = rand (m , n, p , ...) o Y = rand ( [ mn p ...] ) para generar (con una computadora) valores de variables
genera matrices aleatorias. aleatorias a partir de las distribuciones de probabilidad
mas conocidas, as como tambien de ciertos metodos
Y = rand (tamano ( A)) devuelve una matriz de generales para generar los citados valores tomados como
entradas al azar que es del mismo tamano que A. base cualquier distribucion emprica que probablemen-
te se configure al intentar la solucion de problemas
rand, por s mismo, devuelve un escalar cuyo valor estocasticos. La funcion de distribucion acumulada se
cambia cada vez que se hace referencia. puede proponer matematicamente como sigue:
s = rand (Estado) devuelve un vector de 35 elementos
que contiene el estado actual del generador uniforme.
Para cambiar el estado del generador :
Se tienen tres metodos basicos para generar los valores
rand ( estado , s ) = Restablece el estado de s . de variables aleatorias a partir de las distribuciones de
probabilidad: el metodo de la transformada inversa,
rand ( estado , 0 ) = Restablece el generador a su el de rechazo y el de composicion. Estos metodos o
estado inicial . alguna de sus variantes respectivas, proporcionan la base
general para simular la mayora de las distribuciones.
rand ( estado , j ) = Para numero entero j, restablece
el generador a su estado j-esimo . 2. EL METODO DE LA TRANSFORMADA INVERSA
rand ( estado , suma ( 100 * reloj) ) = Restablece Funcionamiento:El metodo de la transformada inversa,
a un estado diferente cada vez. es el metodo mas utilizado en la obtencion de variables
aleatorias para experimentos de simulacion. Para aplicar
este metodo suponga que queremos generar el valor de
una variable aleatoria discreta X con funcion de masa
de probabilidad:
Para esto, generamos un numero aleatorio R; es decir,
R esta distribuido uniformemente en (0, 1), y sea:
3. EL METODO DE RECHAZO
Funcionamiento: Otro procedimiento para generar
valores de variables aleatorias de distribuciones de
probabilidad no uniformes, es el metodo de rechazo.
Este metodo consiste primeramente en generar un
valor de la variable aleatoria y en seguida probar que
dicho valor simulado proviene de la distribucion de
probabilidad que se esta analizando. Para comprender
la ogica de este metodo, suponga que f (x) es una
Para este metodo se pueden realizar ciertas distribucion de probabilidad acotada y con rango finito,
observaciones, por ejemplo, podemos escribir lo es decir, a x b De acuerdo a esta funcion de
anterior es forma algortmica. probabilidad, la aplicacion del metodo de rechazo
implica el desarrollo del siguiente algoritmo:
Algoritmo 2.1 Metodo de la transformada inversa
para variables aleatorias discretas. Algoritmo 3.1 Metodo de rechazo
1. Normalizar el rango de f mediante un factor de escala
c tal que:
cf (x) 1, a x b
2. Generar dos numeros uniformes R1 y R2.
3. Determinar el valor de la variable aleatoria x de
acuerdo a la siguiente relacion lineal de R1:
x = a + (b a)R1
4. Evaluar la funcion de probabilidad en x = a + (b
Proposicion 2.1 Sea R una variable aleatoria unifor- a)R1.
me en (0, 1). Para cualquier funcion de distribucion 5. Determinar si la siguiente desigualdad se cumple:
continua F, invertible, la variable aleatoria X definida R2 cf (a + (b a)R1)
como:
Se utiliza x = a+ (b - a) R1 si la respuesta es
afirmativa como un valor simulado de la variable
tiene distribucion F. (F 1 X se define como el valor de aleatoria. De lo contrario, es necesario regresar al
x tal que FX (x) = r). paso 1 tantas veces como sea necesario.
La teora sobre la que se apoya este metodo se basa
Algoritmo 2.2 Generacion de variables aleatorias en el hecho de que la probabilidad de que R2 cf
con distribucion triangular. (x) es exactamente cf (x).
Se demostrado que el numero esperado de intentos
a) Obtener un numero aleatorio R uniformemente para que x sea aceptada como una variable aleatoria
distribuido en (0, 1). que sigue una distribucion de probabilidad f (x),
b) Si R 21 , hacer X = 2r 1 En caso contrario es 1/c. Esto significa que este metodo podra ser
hacer X = 2 2r un tanto ineficiente para ciertas distribuciones de
c) Repetir los pasos 1 y 2, tantas veces como variables probabilidad en las cuales la moda sea grande.
aleatorias se desean generar.
Utilizando el algoritmo anterior generamos una muestra Algoritmo 3.2 Generacion de variables aleatorias
aleatoria de tamano n = 10000, y obteniendo el histo- con distribucion parabolica.
grama con el respectivo ajuste de los datos tenemos
1. Generar dos numeros aleatorios R1 y R2. areas, y el eje de las abscisas por las distribuciones fi
2. Calcular x = 2R1 - 1. (x). Para esta seleccion se utiliza el numero aleatorio
3. Si R2 34 f (2R1 - 1). Si la respuesta es afirmativa, R1.
entonces x = 2R1 - 1 es un valor simulado de la variable 7. Utilizar el numero aleatorio R2 para simular por
aleatoria. De lo contrario, se requiere regresar al paso 1 el metodo de la transformada inversa o algun otro
tantas veces como sea necesario. procedimiento especial, numeros al azar que sigan la
Utilizando el algoritmo anterior generamos una muestra distribucion de probabilidad fi (x) seleccionada en el
aleatoria de tamano n = 10000, y obteniendo el histo- paso anterior
grama con el respectivo ajuste de los datos tenemos Con estos pasos, generamos una muestra aleatoria
de tamano n = 10000, y obteniendo el histograma
con el respectivo ajuste de los datos tenemos
4. METODO DE COMPOSICION
Funcionamiento: El tercer metodo existente para la
generacion de variables aleatorias utilizando computado-
ras es el llamado metodo de composicion o metodo
de mezclas. Mediante este metodo la distribucion de
probabilidad fX (x) se expresa como una mezcla de III. CONCLUCIONES
varias distribuciones de probabilidad fi (x) seleccionadas
1) Los metodos proporcionados serviran como herrramintas
adecuadamente.
utiles para de esta manera llegar a entender mejor el concepto
de la materia ademas de proporcionar un metodo para resolver
ejercicios propuestos de una manera mas agil.
Los pasos requeridos para la aplicacion de este 2) Se ha determinado el funcionamiento de las funciones
metodo en la simulacion de variables aleatorias son los de variables aleatorias continuas y discretas proporcionadas
siguientes: por matlab.
Algoritmo 4.1 Metodo de composicion 3) Una distribucion de probabilidad para una variable alea-
toria discreta es un listado mutuamente excluyente de todos
1. Dividir la distribucion de probabilidad original en los resultadosposibles para esa variable aleatoria, tal que una
subareas. probabilidad particular de ocurrencia este asociada con cada
2. Definir una distribucion de probabilidad para cada resultado
subarea. REFERENCIAS
3. Expresar la distribucion de probabilidad original en
la forma siguiente: [1] Teora Procesos estocasticos (Dr. Marco Flores 2015)
[2] Signals and Systems. Oppenheim, Willsky and Hamid,
Prentice Hall, 2000
[3]Fundamentos de senales y sistemas. Edward Kamen y
Bonnie Heck
[4]Tratamiento Digital de Senales de Soria, Martnez. Editorial
4. Obtener la funcion de distribucion de las areas. Prentice Hall
5. Generar dos numeros aleatorios R1 y R2. [5]Signals and Systems with Matlab computing and Simulink
6. Seleccionar la distribucion de probabilidad fi (x) con modeling. Steven K. Karris.
la cual se va a simular el valor de X. La seleccion de [6]Manuales de Matlab
esta distribucion se obtiene al aplicar el metodo de la
transformacion inversa, en la cual el eje de las ordenadas
esta representado por la distribucion acumulada de las
