PROCESOS ESTOCÁSTICOS

TALLER N° 2, GENERACIÓN DE VARIABLES ALEATORIA

CONTINUA
1
Jorge Bairon Ramirez 2 Juan Sebastián Hincapié
1
Maestría en instrumentación física, Universidad Tecnología de Pereira,
2
Maestría en instrumentación física, Universidad Tecnología de Pereira, jhincapiecorrea@gmail.com

Palabras claves- Frecuencia relativa, distribución de frecuencias, espacio de estado,

I. INTRODUCCIÓN

Para poder analizar fenómenos en los cuales su naturaleza es de aleatoria como puede ser las
veces que se gana en algún juego de azar, el costo de fabricación de algún componente aleatorio,
la medición de voltajes de una fuente aleatoria. Poder describir estos procesos y crear escenario
de simulación proporciona herramientas poderosas al momento de tratar de describir dichos
fenómenos. En el presente informe se estudiaron los métodos para generar variables aleatorias
continuas. Se estudiaron la generación de v.a para distribuciones gaussiana y distribución de
exponencial y gamma y se realizo un análisis de los datos obtenidos.

II. MARCO TEÓRICO

1. VARIABLE ALEATORIA CONTINUA

Una variable aleatoria continua puede asumir cualquier valor dentro de uno o más intervalos de
la recta rea

.𝑓 𝑑𝐹𝑥(𝑥)
(𝑥)=
𝑑𝑥

2. DISTRIBUCIÓN GAUSIANA

Esta es la función de distribución más comúnmente usada, ya que logra describir una gran
cantidad de situaciones y fenómenos de la naturaleza, la distribución gaussiana depende de 2
valores la media 𝜇 y la varianza 𝜎 2 . La función de distribución de probabilidad detsa dada por:
 1 (𝑋−𝜇𝑥)
𝑓𝑥(𝑥) = 𝑒 2𝜎 2
√2𝜋𝜎

Donde la función de distribución está dada por:

(𝑋−𝜇𝑥)
𝜎
1 𝜉2
𝐹𝑥(𝑥) = ∫ 𝑒 2 𝑑𝜉
√2𝜋𝜎
−𝑥

3. DISTRIBUCION EXPONENCIAL

Una variable aleatoria sigue una distribución exponencial si posea un parámetro λ y su función
de distribución e probabilidad está dada por:

−𝜆𝑥
𝑓𝑥(𝑥) = {𝜆𝑒 , 𝑥<0
0, 𝑥≥0

y con su correspondiente función de distribución:

−𝜆𝑥
𝐹𝑥(𝑥) = {1 − 𝑒 , 𝑥<0
0, 𝑥≥0

Esta función ofrece una importante propiedad que es la “no-memoria” y permite describir
fenómenos en donde implique el análisis de fallas de piezas mecánicas modelando su
comportamiento elástico

4. DISTRIBUCION GAMMA

Una variable aleatoria lleva una distribución gamma si esta está definida por parámetros λ>0 y
α>0 y está definida por la siguiente fdp:

𝜆𝑒 −𝜆𝑥 (𝜆𝑥)𝛼−1
𝑓𝑥(𝑥) = { , 𝑥<0
Γ(𝛼)
0, 𝑥≥0

Donde la función gamma Γ(𝛼) está definida por:

∞
𝑟(𝑡) = ∫ 𝑒−𝑥 𝑥𝛼−1 𝑑𝑥
0

La distribución gama se considera como una generalización de la función exponencial es

empleada mayormente para medir eventos con asimetría positiva y en donde intervenga
mayormente el tiempo.
 III. RESULTADOS Y ANÁLISIS

1. VARIABLE ALEATORIA GAUSIANA

Para este caso se utilizó la función normrnd () del Matlab y como parámetros se entrada se usaron

μ 2

σ 3

Y posteriormente de realizo el cálculo de los valore aproximados para estos valores utilizando la
formula para la media a la varianza utilizando el software
𝑁

𝜇 = ∑ 𝑋𝑖
𝑖=1
𝑁

𝜎 2 = ∑ 𝑋𝑖
𝑖=1

μ 2.0960

σ 3.1062

Se puede observar que las fórmulas ofrecen un valor altamente aproximado a los usados como
valores de entrada; la variación puede atribuirse errores en aproximación.

En la gráfica 1 se puede observar la gráfica de la fdp usando la función normpdf() y la cual tiene
forma de campana esperada para una distribución gaussiana, y claramente se puede observar
como el valor central se inclina a la media seleccionada de 2

Gráfica 1
En la gráfica 2 se puede observar función de distribución, la cual fue generada usando la usando
la función normcdf (); forma es la esperada, iniciando siempre desde el cero y llegando al 1

Gráfica 2

Como se indicó en el taller, se graficaron las pdf, siguiendo el procedimiento anterior, para otros
2 valore para la media y la varianza, los cuales fueron:

μ 3

σ 4

μ 5

σ 6

Las funciones obtenidas se muestran en la gráfica 3.

Gráfica 3
En la gráfica 3 se pueden apreciar las correspondientes funciones de distribución para cada
parámetro asignado.

Gráfica 4

2. VARIABLE ALEATORIA EXPONENCIAL

Para generar la variable aleatoria exponencial se utilizó la función exprnd() con los parámetros
de entrada mostrados a continuación:

μ 3

n 10000

En la gráfica 5 se puede observar la fdp para la variable aleatoria, se puede apreciar como la
gráfica indica desde el valor ingresado como media.
 Gráfica 5

Los valores estimados para la media y lambda, de igual manera que el punto anterior, son:

μ 2.987

λ 0.3347

Se aproxima mucho al valor indicado como parámetro de entrada, las variaciones se deben a
errores en la aproximación. La función de distribución se presenta en la grafico 6, obtenida
utilizando la función expdf() y s u forma es la esperada para una distribución exponencial.

Gráfica 6
 3. VARIABLE ALEATORIA GAMMA

Para generar la variable aleatoria Gamma, se utilizó la función gamrnd() y se ingresaron como
parámetros de entrada:

a 1

b 4

Para la estimación de la media se usó el procedimiento ya indicado, y se obtuvo lo siguiente

μ 4

La función utilizada para generar la correspondiente fdp fue gmpdf() y se presenta en el gráfico
7.

Gráfica 7

La función de distribución acumulada de presenta en la grafica 8 para la cual se usó la función

gmcdf(). Los comportamientos de los gráficos son los esperados, según la teoría para cada
función.
 Gráfica 8

.
 IV. CONCLUSIONES

 Se estudiaros métodos para poder simular variables alotarais siguiendo distribuciones

gaussiana, exponencial y gamma mediante Matlab.
 Se pudo comparar como las distribuciones varias su ligeramente forma dependiendo de
los parámetros de entrada, pero sin perder su forma característica
 Se pudo comparar los valores esperados de media y varianza y compararlos con los
parámetros utilizados.
 Se pudo generar una compresión de como simular eventos que dependa de sucesos
aleatorios y poderlos modelar siguiendo algunos de los métodos estudiados.
 V. BIBLIOGRAFÍA

[1] Probability an Random Variable & Random Process, Hwei Hwsu, Fairleigh
Dickinson University

[2] Computational statistics handbook with MATLAB, Wendy L. Martinez, Boca

Raton London New York Washington, D.C.
[3] Probability an Random Variable and sthocastic process, Athanasios Paspupulus.
[4] Notas de clase
 ANEXOS

clc
clear all
close all
%% a
mu=input('ingrese el valor de mu: ');
sigm=input('ingrese el valor de sigma: ');
n=input('ingrese el número máximo de muestras: ');
t=1:n;

y=normrnd(mu,sigm,n);
u=0;
sig2=0;
for i=1:n;
u=(1/n)*y(i)+u;

end
for j=1:n
sig2=(1/n)*(y(j)-u)^2+sig2;
end
u
sig2=(sig2)^(1/2)
p=normpdf(y,mu,sigm); %Función de densidad de probabilidad pdf
F=normcdf(y,mu,sigm);%Función de distribucion acumulada F_x(x)

figure()
plot(y,p,'.') %Grafica pdf
title('Función de densidad de probabilidad')
xlabel('x');
ylabel('f_x(x)')
figure()
plot(y,F,'.');
title('Función de distribución acumulada')
xlabel('x');
ylabel('F_x(x)')

%% b

mu2=input('ingrese el valor de mu: ');

sigm2=input('ingrese el valor de sigma: ');
mu3=input('ingrese el valor de mu: ');
sigm3=input('ingrese el valor de sigma: ');

y2=normrnd(mu2,sigm2,n);
y3=normrnd(mu3,sigm3,n);
p2=normpdf(y2,mu2,sigm2); %Función de densidad de probabilidad pdf
p3=normpdf(y3,mu3,sigm3); %Función de densidad de probabilidad pdf
%% c
F3=normcdf(y3,mu3,sigm3);%Función de distribucion acumulada F_x(x)
F2=normcdf(y2,mu2,sigm2);%Función de distribucion acumulada F_x(x)
figure ()

plot(y,p,'.',y2,p2,'.',y3,p3,'.') %Grafica pdf

title('Función de densidad de probabilidad')
xlabel('x');
ylabel('f_x(x)')
figure ()
plot(y,F,'.',y2,F2,'.',y3,F3,'.');
title('Función de distribución acumulada')
xlabel('x');
ylabel('F_x(x)')

clc
clear all
close all
%% a.
mu=input('ingrese el valor de mu: ');
n=input('ingrese el número máximo de muestras: ');
t=1:n;

x=exprnd(mu,1,n);
m=mean(x);
lambda=1/m;

for i=1:n
s=(1/i)*sum(x(1:i)); %estimacion de la media
end
p=exppdf(x,lambda); %Función de densidad de probabilidad(pdf)exponencial
F=expcdf(x,lambda);%Función de distribucion acumulada F_x(x) exponencial

figure()
plot(x,p,'.') %Grafica pdf exponencial
title('Función de densidad de probabilidad exponecial')
xlabel('x');
ylabel('f_x(x)')
figure()
plot(x,F,'.');
title('Función de distribución acumulada exponencial')
xlabel('x');
ylabel('F_x(x)')

%% b
a=input( 'Digite el valor del parametro a ');
b =input( 'Digite el valor del parametro b ');

g=gamrnd(a,b,1,n);
me=a*b; %media
var=a*b^2; %varianza

gp=gampdf(g,a,b); %Función gamma de densidad de probabilidad (pdf)

gc=gamcdf(g,a,b); %Función de distribución gamma acumulada (cdf)

figure()
plot(g,gp,'.') %Grafica pdf gamma
title('Función de densidad de probabilidad gamma')
xlabel('x');
ylabel('f_x(x)')

figure()
plot(g,gc,'.'); %Grafica cdf gamma
title('Función de distribución acumulada gamma')
xlabel('x');
ylabel('F_x(x)')