1

Variables Aleatorias
Josselyn Gonzalez, Brayan Lascano, Jonathan Rosas
Departamento de Eléctrica y Electrónica, Universidad de las Fuerzas Armadas ESPE
Sangolquı́-Ecuador
jpgonzalez@espe.edu.ec, bdlascano@espe.edu.ec,@espe.edu.ec

Resumen—Se llama variable aleatoria a la función que adju- II-A. Distribuciones de transformaciones de v.a. continuas
dica eventos posibles a números reales (cifras), cuyos valores se
miden en experimentos de tipo aleatorio. Estos valores posibles
Si X es una v.a. continua, entonces la cdf de Y = g(X) es
representan los resultados de experimentos que todavı́a no se FY (y) = P (Y ≤ y) = P (g(X) ≤ y)
llevaron a cabo o cantidades inciertas. Z
Cabe destacar que los experimentos aleatorios son aquellos FY (y) = fX (x)dx
que, desarrollados bajo las mismas condiciones, pueden ofrecer {x∈Sx :g(x)≤y}
resultados diferentes.
Transformaciones bidimensionales:

Dadas dos v.a. X e Y y la función g(x, y) se desea obtener

I. O BJETIVOS la cdf y la pdf de Z = g(X, Y ), es decir:
I-A. Objetivo General
Realizar diferentes tipos de transformaciones unidimen-
FZ (z) = P R ≤ z) = P ((x, y) ∈ SZ )
R (Z
Fz (Z) = f (x, y)dxdy
Sz XY
sionales, Bidimensionales para la obtención las nuevas
cdf y pdf y analizar los resultados.
Fxy (x, y) contiene toda la información probabilı́stica de la
variable aleatoria (X, Y ).
I-B. Objetivos especı́ficos Fxy (x, y) representa la probabilidad de que la v.a. bidimen-
sional tome valores en el cuadrante (x, y).
Identificar los conceptos básicos de funciones de varia-
bles aleatorias unidimensionales III. D ESARROLLO
Identificar los conceptos básicos de funciones de varia-
Obtener la pdf de la transformación Y = X 2 cuando
bles aleatorias bidimensionales
la distribución de X e Y está dado por X N (µ, σ) y
Verificar los diferentes tipos de transformaciones en una
Y N (µ, σ). Implementar en un script de MATLAB una
y dos dimensiones.
función ”Y norm(t) que genere.
El código que se uso para obtener la Transformación.
II. I NTRODUCCI ÓN function fY_norm(t)
mu=3;
Transformaciones unidimensionales:
sigma=4;
muestras=100;
Dado una v.a. X y una funcion g(x), la expresión:
x=random(’norm’,mu,sigma,[1 muestras]);
Y = g(X) [h t]=hist(x);
subplot(2,1,1);
define una nueva v. a. Y, y también define una nueva bar(t,h);
aplicación del espacio original de X, SX al nuevo espacio title(’f(x)’);
de Y , SY de tal manera que: Y=x.ˆ2;
[hz tz]=hist(z);
rg=(tz(2)-tz(1))*sum(hz);
g(X) : SX → SY
subplot(2,1,2);
Si X es una v.a. discreta, entonces SX es contable. El bar(tz,hz/rg);
espacio muestral para Y = g(X) es SY = y : y = g(X), xSX for i=1:length(tz)
es también contable. Ası́ Y es también una v.a. discreta. Su pdf_y(i)=pdf(’chi2’,ty(i),1);
pdf es: end
hold on
X X
fY (y) = P (Y = y) = P (X = x) = fX (x) plot(ty,pdf_y,’r’);
xg −1 (y) xg −1 (y) title(’f(y)’);
 2

hold off El gráfico del código se muestra en la figura 2

El gráfico del código se muestra en la figura 1

Figura 1. Variable aleatoria Normal

Figura 2. Variable aleatoria uniforme

Obtenerla pdf de la transformación Y = −ln(X) cuando

la distribución de X está dada por:
• X U (−2, 2)
• Cuando X tiene una distribución normal con paráme-
• X N (3, 4)
tro 3, y 4 X N (3, 4)
• X Ga(1, 3)
El código que se uso para obtener la Transformación
obtener las nuevas fY (y) e implementar en un script Y = −ln(X)
de MATLAB la función f Y uni(t) con los resultados
obtenidos en la teorı́a. function VADNorm
• Cuando X tiene una distribución Uniforme con mu=3;
parámetro -2, y 2 X U (−2, 2) sigma=4;
El código que se uso para obtener la Transformación muestras=100;
Y = −ln(X) x=random(’norm’,mu,sigma,[1 muestras]);
function VADUni [h t]=hist(x);
x=random(’unif’,-2,2,[1 100]); subplot(2,1,1);
[h t]=hist(x); bar(t,h);
subplot(2,1,1); title(’f(x)’);
bar(t,h); z=-log(x);
title(’f(x)’); [hz tz]=hist(z);
y=-log(x); rg=(tz(2)-tz(1))*sum(hz);
[hy ty]=hist(y); subplot(2,1,2);
rg=(ty(2)-ty(1))*sum(hy); bar(tz,hz/rg);
subplot(2,1,2); for i=1:length(tz)
bar(ty,hy/rg); pdf_y(i)=pdf(’chi2’,tz(i),1);
for i=1:length(ty) end
pdf_y(i)=pdf(’exp’,ty(i),1); hold on
end plot(tz,pdf_y,’r’);
hold on title(’f(y)’);
plot(ty,pdf_y,’r’); hold off
title(’f(y)’);
hold off El gráfico del código se muestra en la figura 3
 3

Figura 3. Variable aleatoria Normal Figura 4. Variable aleatoria Gamma

IV. T RANSFORMACIONES U NIDIMENSIONALES

IV-A. Variable aleatoria discreta
Generar 100 números aleatorios con el comando random
de la forma X Bin(n, p) (Binomial ) con parámetro n =
Cuando X tiene una distribución Gamma con 10 y p = 0,2.
parámetro 1 y 3 X Ga(1, 3) A partir de los datos generados obtener el histograma
El código que se uso para obtener la Transformación correspondiente a la pmf y graficar.
Y = −ln(X) Generar una función de masa de probabilidad binomial
fX (x) con el comando pdf y graficar.
Realizar la transformación Y = n − X, y generar el
function VADGamma nuevo histograma
a=1; Obtener la nueva función de masa de probabilidad fY (y)
b=3; correspondiente con el comando pdf.
muestras=100; Todas las representaciones gráficas presentar en un sub-
x=random(’gam’,a,b,[1 muestras]); plot
[h t]=hist(x); Analizar los resultados
subplot(2,1,1); Aumentar los números aleatorios generados
bar(t,h);
El código del programa se muestra a continuación, notese
title(’f(x)’);
que el código es similar a los anteriores solo se modifica el
y=-log(x);
parámetro de las muestras.
[hy ty]=hist(y);
rg=(ty(2)-ty(1))*sum(hy); function VADBin
subplot(2,1,2); n=10;
bar(ty,hy/rg); p=0.2;
for i=1:length(ty) muestras=100;
pdf_y(i)=pdf(’exp’,ty(i),1); x=random(’bino’,n,p,[1 muestras]);
end [h t]=hist(x);
hold on subplot(2,1,1);
plot(ty,pdf_y,’r’); bar(t,h);
title(’f(y)’); title(’f(x)’);
hold off y=n-x;
[hy ty]=hist(y);
rg=(ty(2)-ty(1))*sum(hy);
El gráfico del código se muestra en la figura 4 subplot(2,1,2);
 4

bar(ty,hy/rg);
title(’f(y)’);
La figura 5 muestra la transformada de la distribución bino-
mial ası́ como su función de masa de probabilidad bionomial,
con 100 muestras.

Figura 7. Variable aleatoria binomial con 1000 muestras

IV-B. Variable aleatoria continua

Generar 100 números aleatorios con el comando ?ran-
dom? de la forma X N (µ, σ) (Normal) con parámetros
µ = 0 y σ = 1.
Figura 5. Variable aleatoria binomial con 100 muestras A partir de los datos generados obtener el histograma
correspondiente a la pdf y graficar
Generar una función de densidad de probabilidad normal
La figura 6 muestra el ejercicio anterior pero con 500
fX (x) con el comando pdf y graficar.
muestras.
Realizar la transformación Z = X 2 , generar el histogra-
ma y graficar.
Generar la nueva función de densidad fY (y) con la
función implementada f Y norm y graficar.
Todas las representaciones gráficas presentar con subplot
Aumentar los números aleatorios generados
Analizar los resultados
function fY_norm
mu=0;
sigma=1;
muestras=100;
x=random(’norm’,mu,sigma,[1 muestras]);
[h t]=hist(x);
subplot(2,1,1);
bar(t,h);
title(’f(x)’);
z=x.ˆ2;
[hz tz]=hist(z);
rg=(tz(2)-tz(1))*sum(hz);
subplot(2,1,2);
bar(tz,hz/rg);
Figura 6. Variable aleatoria binomial con 500 muestras
for i=1:length(tz)
pdf_y(i)=pdf(’chi2’,tz(i),1);
La figura 7 muestra el ejercicio anterior pero con 1000 end
muestras. hold on
 5

plot(tz,pdf_y,’r’);
title(’f(y)’);
hold off
La función de densidad de probabilidad normal y su función
de densidad f y(Y ) se ve en la figura 8

Figura 10. Variable aleatoria normal con 1000 muestras

V. T RANSFORMACIONES B IDIMENSIONALES
Figura 8. Variable aleatoria normal con 100 muestras

La figura 9 muestra el ejercicio anterior pero con 500

muestras. Acontinuación se muestran algunos de los ejercicios de
transformaicones bidimensionales asi como su simulación en
matlab.

V-A. Variable aleatoria continua

Generar 100 números aleatorios con el comando ’ran-

Figura 9. Variable aleatoria normal con 500 muestras
dom’ de la forma:
X ∼ Gamma(a1 , n)
Y ∼ Gamma(a2 , n)
A partir de los datos generados obtener el histograma
correspondiente a la pdf y graficar
Generar una función de densidad de probabilidad normal
fX (x) con el comando pdf y graficar.
Realizar la transformación Z = X + Y ,Z = X ∗ Y ,
Z = X/Y generar el histograma y graficar.
Analizar los resultados

La figura 10 muestra el ejercicio anterior pero con 1000 La figura 11 muestra el ejercicio anterior pero con 100
muestras. muestras.
 6

Figura 12. Transformacion con 100 muestras

Figura 11. Transformacion con 100 muestras function GammA

a=1;
b=3;
muestras=100;
x=random(’gam’,a,b,[1 muestras]);
y=random(’gam’,a,b,[1 muestras]);
[h t]=hist(x);
subplot(2,1,1);
function GammA
bar(t,h);
a=1;
title(’f(x)’);
b=3;
z=x*y;
muestras=100;
[hy ty]=hist(z);
x=random(’gam’,a,b,[1 muestras]);
rg=(ty(2)-ty(1))*sum(hy);
y=random(’gam’,a,b,[1 muestras]);
subplot(2,1,2);
[h t]=hist(x);
bar(ty,hy/rg);
subplot(2,1,1);
for i=1:length(ty)
bar(t,h);
pdf_y(i)=pdf(’exp’,ty(i),1);
title(’f(x)’);
end
z=x+y;
hold on
[hy ty]=hist(z);
plot(ty,pdf_y,’r’);
rg=(ty(2)-ty(1))*sum(hy);
title(’f(z)’);
subplot(2,1,2);
hold off
bar(ty,hy/rg);
for i=1:length(ty) Como se puede observar la codificacion es la adecuada y las
pdf_y(i)=pdf(’exp’,ty(i),1); gráficas son adecuadas por lo que las funciones gamma son
end adecuadas para la transformacion.
hold on
La figura 13 muestra el ejercicio anterior pero con 100
plot(ty,pdf_y,’r’);
muestras.
title(’f(z)’);
hold off

Como se puede observar la codificacion es la adecuada

y puede ser variada de acuerdo a las necesidades que se
requieran para la aplicacion a realizace.

La figura 12 muestra el ejercicio anterior pero con 100

muestras. Figura 13. Transformacion con 100 muestras
 7

function GammA
a=1;
b=3;
muestras=100;
x=random(’gam’,a,b,[1 muestras]);
y=random(’gam’,a,b,[1 muestras]);
[h t]=hist(x);
subplot(2,1,1);
bar(t,h);
title(’f(x)’);
z=x/y;
[hy ty]=hist(z);
rg=(ty(2)-ty(1))*sum(hy);
subplot(2,1,2);
bar(ty,hy/rg);
for i=1:length(ty)
pdf_y(i)=pdf(’exp’,ty(i),1);
end
hold on
plot(ty,pdf_y,’r’);
title(’f(z)’);
hold off
Las transformaciones realizadas son adecuadas y comprueban
el comportamiento de cada una de ellas dentro la aplicación
requerida estas pueden variar su gráfica y función de trasnfe-
rencia dependiendo de las funciones con las cuales se trabajen.

VI. C ONCLUSIONES Y R ECOMENDACIONES

Como se puede observar las transformaciones unidi-
mensionales su codificacion en matlab no es demaciado
compleja dependiendo la funcion a trabajar.
Las transformaciones unidimensionales se puede trabajar
de manera muy sencilla de acuerdo a la funcion ya sea
continua o discreta.
Las transformaciones bidimensionales dependiendo cual
sea la trasnforamcion se puede graficar y analizar depen-
diendo de cada uno de los resultados obtenidos.
El número de muestras influye al momento de realizar
las gráficas para su análisis y asi poder observar su
comportamiento de mejor manera y sean apreciables para
su análisis.
Algunas de las funciones graficadas necesitan mas mues-
tras ya que asi se pueden apreciar de mejor manera.
La funcion ramdon es muy practica para realizar y
crear variables aleatorias con los diferentes tipos de
distribuciones.

R EFERENCIAS
[1] Signals and Systems. Oppenheim, Willsky and Hamid, Prentice Hall,
2000
[2] Fundamentos de señales y sistemas. Edward Kamen & Bonnie Heck
[3] Signals and Systems with Matlab computing and Simulink modeling.
Steven K. Karris.
[4] Manuales de Matlab