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.
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
(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
−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
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
Gráfica 3
En la gráfica 3 se pueden apreciar las correspondientes funciones de distribución para cada
parámetro asignado.
Gráfica 4
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
μ 4
La función utilizada para generar la correspondiente fdp fue gmpdf() y se presenta en el gráfico
7.
Gráfica 7
.
IV. CONCLUSIONES
[1] Probability an Random Variable & Random Process, Hwei Hwsu, Fairleigh
Dickinson University
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
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 ()
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
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)')