You are on page 1of 20

T

Trabajo de
investigación

Integrantes:

Barja Ninanya, Miguel Ángel 13190143

Tupac Dávila, Isaac Mario 11190127

Rojas Damian, Mario Cesar 06190081

Tema: Transformada de una función de densidad de probabilidad uniforme a una


función de densidad de probabilidad exponencial

Profesor: Ing. Milton Ríos Julcapoma

Fecha de entrega: 5 de julio del 2017


TRANSFORMADA DE UNA FUNCIÓN DE DENSIDAD DE
PROBABILIDAD UNIFORME A UNA FUNCIÓN DE DENSIDAD DE
PROBABILIDAD EXPONENCIAL

1) INTRODUCCIÓN

Este trabajo de investigación tiene por objetivo conocer y analizar la transformada de


una función de densidad de probabilidad uniforme a una función de densidad de
probabilidad exponencial, para lo cual se ha usado la teoría adecuada sobre la
transformación de una variable aleatoria y Scilab el cual es un software de análisis
numérico.

De inicio se aborda de manera general todo el marco teórico necesario, asimismo, se


realiza un estudio de cada función de densidad involucrada en el estudio de
investigación.

Posteriormente, usando el Scilab, se obtendrá la gráfica correspondiente del


comportamiento de una señal aleatoria y de su función de densidad de probabilidad
usando el algoritmo de normalización.

Finalmente se desarrollara el algoritmo para la transformación de una función de


densidad de una probabilidad uniforme a una función de densidad de probabilidad
exponencial en el cual se usaran dos métodos para graficar en el Scilab.

2) HIPÓTESIS

Se proyecta conocer el procedimiento para transformar una función de densidad de


probabilidad uniforme a una función de densidad de probabilidad exponencial y
apreciar la gráfica de la función de densidad de probabilidad original y de la
transformada usando para ello un software de análisis numérico.
3) FUNDAMENTO TEÓRICO

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

3.2. Distribución Exponencial:

(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.

3.2. TRANSFORMACIONES DE UNA VARIABLE ALEATORIA

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)

Normalmente, se conoce la función de densidad 𝑓𝑥 (𝑥) o la función de distribución


𝐹𝑥 (𝑥) de X, y el problema consiste en determinar bien la función de densidad 𝑓𝑦 (𝑦) o
la función de distribución 𝐹𝑦 (𝑦) de Y. Podemos ver el problema como una “caja negra”
con una entrada X y una salida Y y una “característica de transferencia” 𝑌 = 𝑇(𝑋).

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.

TRANSFORMACIONES MONÓTONAS DE UNA VARIABLE ALEATORIA


CONTÍNUA

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

Consideremos en primer lugar la transformación creciente. Supongamos que T es


continua y derivable en todos los valores de x para los que 𝑓𝑥 (𝑥) ≠ 0. Sea Y tal que
tiene el valor particular 𝑦0 que se corresponde con el valor particular 𝑥0 de X. Los dos
números se relacionan como sigue:

𝑦0 = 𝑇(𝑥0 ) 𝑜 𝑥0 = 𝑇 −1 (𝑦0 ) (2)


Donde 𝑇 −1 representa la inversa de la transformación T. Ahora la probabilidad del
suceso {𝑌 ≤ 𝑦0 } debe ser igual a la probabilidad del suceso {𝑋 ≤ 𝑥0 } porque existe
una correspondencia uno-a-uno entre X e Y. Por tanto:

𝐹𝑦 (𝑦0 ) = 𝑃{𝑌 ≤ 𝑦0 } = 𝑃{𝑋 ≤ 𝑥0 } = 𝐹𝑋 (𝑥0 ) (3)

𝑦0 𝑥 =𝑇 −1 (𝑦0 )
𝑜
∫−∞ 𝑓𝑦 (𝑦)𝑑𝑦 = ∫−∞ 𝑓𝑥 (𝑥)𝑑𝑥 (4)

A continuación derivamos ambos lados del a expresión con respecto de 𝑦0 usando la


regla de Leibnizt para obtener

Figura 2
Transformaciones monótonas (a) creciente y (b) decreciente
𝑑𝑇 −1 (𝑦0 )
𝑓𝑌 (𝑦0 ) = 𝑓𝑋 [𝑇 −1 (𝑦0 )] 𝑑𝑦0
(5)

Dado que este resultado se aplica a cualquier 𝑦0 , ahora podemos eliminar el


subíndice y escribir

𝑑𝑇 −1 (𝑦)
𝑓𝑌 (𝑦) = 𝑓𝑋 [𝑇 −1 (𝑦)] 𝑑𝑦
(6)

O de forma más compacta:


𝑑𝑥
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑥) (7)
𝑑𝑦

Teniendo en cuenta la Figura 1b para la transformación decreciente, se verifica que

𝐹𝑦 (𝑦0 ) = 𝑃{𝑌 ≤ 𝑦0 } = 𝑃{𝑋 ≥ 𝑥0 } = 1 − 𝐹𝑋 (𝑥0 ) (8)

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)

TRANSFORMACIONES NO MONÓTONAS DE UNA VARIABLE ALEATORIA


CONTÍNUA

En el caso más general, una transformación puede no ser monótona. La figura 3


ilustra una transformación de este tipo. No es más que un intervalo de valores de X
que se corresponde con el suceso {𝑌 ≤ 𝑦0 }. Para el valor de 𝑦0 mostrado en la figura,
el suceso {𝑌 ≤ 𝑦0 } corresponde el suceso {𝑋 ≤ 𝑥1 𝑦 𝑥2 ≤ 𝑋 ≤ 𝑥3 }. Por tanto, ahora la
probabilidad del suceso {𝑌 ≤ 𝑦0 } es igual a la probabilidad del suceso
{𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑥 𝑝𝑎𝑟𝑎 𝑙𝑜𝑠 𝑞𝑢𝑒 𝑌 ≤ 𝑦0 }, lo que escribiremos como {𝑥/𝑌 ≤ 𝑦0 }. En otras
palabras,

𝐹𝑌 (𝑦0 ) = 𝑃{𝑌 ≤ 𝑦0 } = 𝑃{𝑥|𝑌 ≤ 𝑦0 } = ∫{𝑥|𝑌≤𝑦 } 𝑓𝑥 (𝑥)𝑑𝑥 (11)


0
Formalmente, puede derivarse para obtener la función densidad de Y:

𝑑
𝑓𝑌 (𝑦0 ) = ∫ 𝑓 (𝑥)𝑑𝑥 (12)
𝑑𝑦0 {𝑥|𝑌≤𝑦0 } 𝑋

Aunque no proporcionamos una demostración, la función de densidad también viene


dada por:
𝑓𝑋 (𝑥𝑛 )
𝑓𝑌 (𝑦) = ∑𝑛 𝑑𝑇(𝑥)
(13)
| | |
𝑑𝑥 𝑥=𝑥𝑛

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

Una transformación no monótona

Si 𝑦 = 𝑇(𝑥) no tiene raíces reales para un valor dado de y, entonces 𝑓𝑦 (𝑦) = 0

𝑦 = 𝑇(𝑥) (14)
TRANSFORMACIÓN DE UNA VARIABLE ALEATORIA DISCRETA

Si X es una variable aleatoria discreta cuando Y=T(X) es una transformación


continua, el problema es especialmente simple. En este caso,

𝐹𝑋 (𝑥) = ∑𝑛 𝑃(𝑥𝑛 )𝛿(𝑥 − 𝑥𝑛 ) (15)

𝐹𝑋 (𝑥) = ∑𝑛 𝑃(𝑥𝑛 )𝑢(𝑥 − 𝑥𝑛 ) (16)

Donde la suma se toma para incluir todos los valores posibles de 𝑥𝑛 , 𝑛 = 1,2 … , 𝑑𝑒 𝑋

Si la transformación es monótona, existe una correspondencia uno-a-uno entre X e Y,


de modo que un conjunto {𝑦𝑛 } se corresponde con el conjunto {𝑥𝑛 } a través de la
ecuación 𝑦𝑛 = 𝑇(𝑥𝑛 ). La probabilidad de 𝑃(𝑦𝑛 ) es igual a 𝑃(𝑥𝑛 ). Por tanto,

𝑓𝑌 (𝑦) = ∑𝑛 𝑃(𝑦𝑛 )𝛿(𝑦 − 𝑦𝑛 ) (17)

𝐹𝑌 (𝑦) = ∑𝑛 𝑃(𝑦𝑛 )𝑢(𝑦 − 𝑦𝑛 ) (18)

Donde:

𝑦𝑛 = 𝑇(𝑥𝑛 ) (19)

𝑃(𝑦𝑛 ) = 𝑃(𝑥𝑛 ) (20)

Si T no es monótona, el procedimiento anterior sigue siendo válido pero ahora existe


la posibilidad de que más de un valor 𝑥𝑛 se corresponda con un valor 𝑦𝑛 . En tal caso,
𝑃(𝑥𝑛 ) será igual a la suma de probabilidades de los distintos 𝑥𝑛 para los que 𝑥𝑛 =
𝑇(𝑥𝑛 ).

GENERACIÓN POR COMPUTADORA DE UNA VARIABLE ALEATORIA

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.

𝐹𝑌 [𝑦 = 𝑇(𝑥)] = 𝐹𝑋 (𝑥) (21)

Pero para X uniforme, sabemos que 𝐹𝑋 (𝑥) = 𝑥 cuando 0 < 𝑥 < 1. Por tanto,
resolveremos para la inversa en (21) y obtenemos:

𝑦 = 𝑇(𝑥) = 𝐹𝑦−1 (𝑥) 0 < 𝑥 < 1 (22)

Dado que cualquier función de distribución 𝐹𝑌 (𝑦) es no decreciente, su inversa es no


decreciente y la hipótesis inicial siempre se satisface.

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

Distribución exponencial (según el libro de Canavos George puesto en la


bibliografía)

La función gamma en la que α = 1 se llama función de densidad exponencial. La


función de densidad exponencial se utiliza con frecuencia para describir la duración
de los componentes electrónicos. La función de densidad de una variable exponencial
es:
  e  x para 0  x      0
f  x  
 0 caso contrario

La función de distribución es:

0 para 0  x
fX  x  P  X  x  
1   e
 x
para 0  x
Transformando:

Sea:
Y  1   e  x

Encontrando para el intervalo:

0 x   0
yx
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 

Usando otro método dado en el informe tenemos:

𝑦

F𝑌(y) = 1 - 𝑒 𝑏 =x

Despejando nos queda:

y = - b ln (1-x)…la cual usaremos en el programa


4) PROGRAMAS IMPLEMENTADOS

4.1 Descripción teórica del algoritmo

Utilizaremos el concepto de normalización para graficar la función de densidad de


probabilidad.

Gráfica del comportamiento de una señal aleatoria en Scilab

Se tiene una señal aleatoria uniforme definida por un determinado número de puntos
con un Vmáx y Vmin respectivamente

Señal Uniforme:

Grafica N°1

Hallaremos la cantidad de puntos por intervalo dependiendo del tamaño de este y


luego lo normalizaremos como se muestra a continuación:

Intervalos # puntos en el intervalo # puntos normalizados por intervalo

[Vmin-(Vmin+i)] # puntos en el primer # puntos normalizados en el primer


intervalo intervalo
[(Vmin+i)-(Vmin+2i)] # puntos en el segundo # puntos normalizados en el segundo
intervalo intervalo
[(Vmin+2i)-(Vmin+3i)] # puntos en el tercer # puntos normalizados en el tercer
intervalo intervalo
⋮ ⋮ ⋮

[(Vmax-i)-(Vmax)] # puntos en el último # puntos normalizados en el último


intervalo intervalo
Donde:

i = tamaño del intervalo.


# 𝑝𝑢𝑛𝑡𝑜𝑠 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜
# Puntos normalizados por intervalo =
(# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠)(𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜)

Luego de normalizar la cantidad de puntos por intervalos de la señal, seleccionamos los


puntos medio de cada intervalo y dibujamos la función de densidad de probabilidad
respectiva que describe la señal. (Puntos medios en el eje X y puntos normalizados en el
eje Y por intervalos).

Gráfica de la función de densidad de probabilidad en Scilab de una señal aleatoria


uniforme usando el algoritmo de normalización.

Grafica N°2

Observación:

Si dibujáramos la función de densidad de probabilidad sin normalizar los puntos, el área


bajo la curva no sería uno
5) PRUEBAS REALIZADAS

5.1 Graficamos la transformada de la función de densidad uniforme a la función


de densidad de Rayleigh mediante el método de histogramas

A continuación se presenta el código empleado en Scilab de manera detallada.

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

Descripción e implementación del algoritmo

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

Descripción e implementación del algoritmo


Gráfica:

Grafica N°5

 En esta prueba utilizamos el concepto de normalización descrita en la sección 4 para


implementar un programa que dibuje la función de densidad uniforme sin histogramas.
Programa Final
Graficamos la transformada de la función de densidad uniforme a la función de
densidad exponencial mediante el algoritmo de normalización implementado en
Scilab
Gráfica:

Grafica N°6

 En nuestro programa final usamos el programa realizado previamente para graficar


funciones de densidad de probabilidad sin histogramas, la definición de transformada de
una variable aleatoria y la fórmula del área de un rectángulo.
 Como vemos, nuestro programa final dibuja la función de densidad de probabilidad
uniforme, realiza la transformada de la señal para hallar la función de densidad
exponencial y halla el área bajo la curva de las dos funciones de densidad.
6) CONCLUSIONES

 Pudimos hallar la transformada de una función uniforme a una función exponencial


mediante los conceptos teóricos
 Pudimos dibujar en Scilab las funciones de densidad de probabilidad de una función de
densidad uniforme y de una función exponencial.
 Usamos para dibujar dos métodos: mediante histograma y mediante la normalización de
señal.
 Comprobamos la teoría de transformadas mediante la simulación en Scilab.
 Comprobamos la teoría de normalización al dibujar las funciones de densidades de
probabilidad en Scilab.
 Mediante el método de normalización y con el código implementado comprobamos que
el área bajo la curva de una función de densidad normalizada es uno.

Observación:

El código digitado en Scilab necesita ser compilado en la última versión Scilab6.0

7) BIBLIOGRAFÍA

 Manual de Scilab: http://sites.poli.usp.br/d/pmr5215/Introscilab.pdf


 Digital Communications Autor: John.G Proakis
 Gráfica funciones exponenciales: https://en.wikipedia.org/wiki/Exponential_distribution
 Teoría entregada en el trabajo de investigación.
 Probabilidad y estadística, aplicaciones y métodos Autor: Canavos George. McGrawHill

División del trabajo

 Barja Ninanya, Miguel Ángel (Planteo la hipótesis y la introducción)

 Tupac Dávila, Isaac Mario (Desarrollo los algoritmos y la programación en Scilab


y la conclusión)

 Rojas Damián, Mario Cesar (Desarrollo el marco teórico)

You might also like