Professional Documents
Culture Documents
Trabajo de
investigación
Integrantes:
1) INTRODUCCIÓN
2) HIPÓTESIS
3.1. Distribuciones:
Distribución uniforme:
1
1; 𝑥 ≥ 𝑏
; ∀𝑎 ≤ 𝑥 ≤𝑏 1 𝑎
p(x) = {𝑏−𝑎 F(x) = {(𝑏−𝑎) 𝑥 − 𝑏−𝑎 ; ∀ 𝑎 < 𝑥 < 𝑏
0 ; 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
0; 𝑥 ≤ 𝑎
Donde
a) Función de densidad de probabilidad uniforme de la variable aleatoria X.
b) Función de densidad de probabilidad acumulativa de la variable aleatoria X
(a) (b)
(𝑥−𝑎) (𝑥−𝑎)
1 − −
p(x) = {𝑏 ℮ ; 𝑥≥𝑎 F(x) = { 1 − ℮ ; 𝑥≥𝑎
𝑏 𝑏
0 ; 𝑥<𝑎 0 ; 𝑥<𝑎
Donde
a) Función de densidad de probabilidad de la variable aleatoria X.
b) Función de densidad de probabilidad acumulativa de la variable aleatoria X.
Con bastante frecuencia puede desearse transformar (cambiar) una variable aleatoria
X en una nueva variable aleatoria Y por medio de una transformación.
𝑌 = 𝑇(𝑋) (1)
En general, X puede ser una variable aleatoria discreta, continua o mixta. A su vez, la
transformación T puede ser lineal, no lineal, segmentada, escalonada, etc.
Claramente, en un estudio general pueden considerarse muchos casos, dependiendo
de la forma de X y de T. En esta sección consideraremos solo tres casos: (1) X
continua y T continua y monótonamente creciente o decreciente con X; (2) X continua
y T continua pero no monótona; (3) X discreta y T continua. Observe que los tres
casos se supone que la transformación es continua. Los conceptos presentados en
estas tres situaciones se desarrollan lo suficiente como para que el lector no tenga
problemas para extrapolarlos a otros casos.
Una transformación T se dice que es monótonamente creciente si 𝑇(𝑥1 ) < 𝑇(𝑥2 ) para
cualquier 𝑥1 < 𝑥2 .
Figura 1
Transformación de una variable aleatoria X en una nueva variable aleatoria Y
𝑦0 𝑥 =𝑇 −1 (𝑦0 )
𝑜
∫−∞ 𝑓𝑦 (𝑦)𝑑𝑦 = ∫−∞ 𝑓𝑥 (𝑥)𝑑𝑥 (4)
Figura 2
Transformaciones monótonas (a) creciente y (b) decreciente
𝑑𝑇 −1 (𝑦0 )
𝑓𝑌 (𝑦0 ) = 𝑓𝑋 [𝑇 −1 (𝑦0 )] 𝑑𝑦0
(5)
𝑑𝑇 −1 (𝑦)
𝑓𝑌 (𝑦) = 𝑓𝑋 [𝑇 −1 (𝑦)] 𝑑𝑦
(6)
Repitiendo los pasos que nos han llevado a la expresión de nuevo obtendremos dicha
expresión, pero ahora el lado derecho de la ecuación es negativo. Sin embargo, dado
que la pendiente de 𝑇 −1 (𝑦) también es negativa, concluimos que para cualquier tipo
de transformación monótona:
𝑑𝑇 −1 (𝑦)
𝑓𝑌 (𝑦) = 𝑓𝑥 [𝑇 −1 (𝑦)] | 𝑑𝑦
| (9)
O simplemente:
𝑑𝑥
𝑓𝑌 (𝑦) = 𝑓𝑥 (𝑥) |𝑑𝑦| (10)
𝑑
𝑓𝑌 (𝑦0 ) = ∫ 𝑓 (𝑥)𝑑𝑥 (12)
𝑑𝑦0 {𝑥|𝑌≤𝑦0 } 𝑋
Donde la suma se calcula de modo que se incluyan todas las raíces 𝑥𝑛 , 𝑛 = 1,2, …,
que son las soluciones reales de la ecuación.
Figura 3
𝑦 = 𝑇(𝑥) (14)
TRANSFORMACIÓN DE UNA VARIABLE ALEATORIA DISCRETA
Donde la suma se toma para incluir todos los valores posibles de 𝑥𝑛 , 𝑛 = 1,2 … , 𝑑𝑒 𝑋
Donde:
𝑦𝑛 = 𝑇(𝑥𝑛 ) (19)
Para simular sistemas con el fin de estimar su rendimiento con ruido antes de
construir realmente el sistema, a menudo se emplean computadoras digitales.
Normalmente, estas simulaciones requieren que se generen números aleatorios que
son valores de variables aleatorias con determinadas distribuciones. Si existe un
software (un programa informático, o subrutina, que pueda usarse a voluntad) para la
distribución específica, no hay problema. Sin embargo, si la “biblioteca” de la
computadora no dispone del programa deseado, es necesario realizar una simulación
para generar sus propios números aleatorios. En esta sección vamos a describir de
forma breve como generar una variable aleatoria con una distribución de probabilidad
especificada, dando por supuesto que la computadora puede generar números
aleatorios, que son valores de una variable aleatoria con distribución uniforme en el
intervalo (0,1), una condición que se satisface en la mayoría de los casos.
El problema consiste entonces en hallar la transformación T(X) mostrada en la Figura
1 que creara una variable aleatoria Y con la función de distribución indicada, cuando
X tenga una distribución uniforme en el intervalo (0,1). Inicialmente, suponemos que
T(X) es una función monótonamente no decreciente. Nuestro desarrollo demostrara
esta condición se satisface automáticamente.
Pero para X uniforme, sabemos que 𝐹𝑋 (𝑥) = 𝑥 cuando 0 < 𝑥 < 1. Por tanto,
resolveremos para la inversa en (21) y obtenemos:
La ecuación (22) es nuestro resultado principal. Indica que, dada una distribución
especifica 𝐹𝑌 (𝑦) para Y, podemos hallar la función inversa despejando 𝐹𝑌 (𝑦) = 𝑥. El
resultado es T(x).
ANÁLISIS DE LA TRANSFORMADA
0 para 0 x
fX x P X x
1 e
x
para 0 x
Transformando:
Sea:
Y 1 e x
0 x 0
yx
0 y
Ahora:
Y 1 e x
FY ( y ) P (Y y ) P[1 e x y ]
1 1 y
P[ x
Ln ]
1 1 y
FX
Ln
1 1 y
Ln
1 1 y
fY ( y ) FX Ln d
y
1 1 y 1
f X Ln *
1 y
y
fY ( y )
1 y
𝑦
−
F𝑌(y) = 1 - 𝑒 𝑏 =x
Se tiene una señal aleatoria uniforme definida por un determinado número de puntos
con un Vmáx y Vmin respectivamente
Señal Uniforme:
Grafica N°1
Grafica N°2
Observación:
Gráfica:
Grafica N°3
Observamos que Scilab tiene un comando para graficar un histograma llamado histplot.
Este comando necesita el número de intervalos y el vector de puntos de la señal
aleatoria para graficar.
También puede unir los puntos medios de cada barra para originar una curva que
representa la función de densidad de probabilidad de la señal aleatoria normalizada.
Usamos la definición de transformada para hallar la función de densidad de
probabilidad de Rayleigh.
5.2 Graficamos la transformada de la función de densidad uniforme a la función
de densidad Exponencial mediante el método de histogramas
Gráfica:
Grafica N°4
Como el caso anterior, usamos el comando histplot para dibujar las funciones de
densidad de probabilidad de una señal aleatoria uniforme y una señal aleatoria
exponencial.
Usamos la definición de transformada para hallar la función de densidad de
probabilidad Exponencial.
5.3 Graficamos la función de densidad uniforme en Scilab mediante el algoritmo de
normalización
Grafica N°5
Grafica N°6
Observación:
7) BIBLIOGRAFÍA