Aleatoria

Universidad de Mendoza Ing.
Jess Rubn Azor Montoya Matemtica Superior con Mathcad
FUNCIONES ALEATORIAS
Una variable aleatoria se define como una funcin que representa grficamente
el resultado de un experimento a los nmeros reales, esto es, X(), donde es un
elemento del espacio muestral .
Si la variable aleatoria es a su vez funcin de otra magnitud (por ejemplo, el
tiempo) entonces se llama PROCESO ESTOCASTICO.
Ms formalmente, un proceso estocstico es una funcin de dos variables t y .
X(t,) tT y
Donde T es un conjunto de parmetros ndice (continuos o discretos) y es el

espacio muestral.
Hay cuatro posibilidades para X( . , . ):
1) Para cualquier t, X(t,) es una funcin aleatoria.

2) Para t variando y fija, i X(t, i) es una funcin del tiempo o realizacin.
3) Para variando y t fija, t ti X(ti,) es una funcin variable aleatoria.
4) Para t y fijas, i y t ti X(ti,) es un nmero.
En la prctica hay magnitudes aleatorias que varan sus valores en el proceso del
experimento. La magnitud aleatoria que cambia su valor en el proceso de una prueba
representa una funcin aleatoria.
Se puede dar la siguiente definicin general: Se llama funcin aleatoria a
aquella cuyo valor, para cada valor del argumento (o de los argumentos) es una
variable aleatoria.
Cada funcin concreta que puede se registrada durante una sola observacin de
la funcin aleatoria se llama realizacin de la misma.
Si se repiten las pruebas se obtienen diferentes realizaciones de la funcin
aleatoria.
NOMENCLATURA
Las funciones aleatorias se indicarn con letras latinas maysculas

(generalmente ltimas letras del alfabeto). Las realizaciones, con las minsculas
correspondientes. Con t se designar el argumento de la funcin aleatoria.
Es posible representar grficamente un conjunto de realizaciones, pero no una
funcin aleatoria.
Los argumentos de las funciones aleatorias pueden variar ininterrumpidamente
en cierta zona o de un modo discreto. Los valores de la funcin aleatoria de un
argumento discreto tienen una secuencia de magnitudes aleatorias llamadas secuencia
aleatoria.
La funcin aleatoria se puede considerar como el conjunto de magnitudes
aleatorias Xt que representan los valores de la misma para diferentes valores de t:
Funciones Aleatorias pgina 1
Universidad de Mendoza Ing. Jess Rubn Azor Montoya Matemtica Superior con Mathcad
X t X( t ) ( < t < )
Esto quiere decir que la funcin aleatoria es equivalente a un conjunto

infinito de variables aleatorias.
De acuerdo a la definicin el valor de una funcin aleatoria escalar, para
cualquier valor fijado del argumento t, es una magnitud aleatoria corriente.
Se sabe que cualquier magnitud aleatoria se caracteriza por completo por su ley
de distribucin. Por lo tanto, la caracterstica completa del valor de la funcin de la
funcin aleatoria X(t), para cualquier valor fijado de t, es la densidad de probabilidad de
este valor, que se designa por f1(x;t).
Aqu, el primer argumento x designa el valor posible de la funcin aleatoria X(t)
para un valor fijo de t. El segundo argumento t sirve de parmetro, del cual depende la
densidad de probabilidad f1(x;t).
La densidad unidimensional de probabilidad f1(x;t). no es suficiente, en el caso
general, para una caracterstica completa de la funcin aleatoria. Dicha densidad puede
caracterizar solamente a cualquier ordenada, tomada por aislada, de una funcin
aleatoria.
En la prctica, cuando se puede desear hallar derivadas o integrales de funciones
aleatorias, es necesario examinar valores prximos de la funcin (derivada) o muchos
valores para un nmero grande de valores de t (integral).
Durante la derivacin es necesario examinar las ordenadas de una funcin
aleatoria no por aislado, sino conjuntamente. De acuerdo con lo expuesto se fijan dos
valores del argumento t: t1 y t2. Los valores X(t1) y X(t2) de la funcin aleatoria
correspondientes a los valores mencionados del argumento, pueden caracterizarse por la
densidad conjunta de probabilidad f2(x1,x2;t1,t2) que se llama densidad
bidimensional de probabilidad de la funcin aleatoria X(t).
En los problemas prcticos se encuentran con mayor frecuencia funciones
aleatorias del tiempo, sin embargo, se tiene tambin que operar tambin con funciones
aleatorias de otros argumentos.
De acuerdo a los conceptos de densidad bivariada, la densidad univariada queda
definida por la bivariada:

f1( x1 , t1 ) f2( x1 , x2 , t1 , t2 ) dx2

La densidad bidimensional de probabilidad de una funcin aleatoria representa

una caracterstica ms completa de la misma que la unidimensional, puesto que por la
densidad bidimensional se puede determinar la unidimensional.
Pero tampoco la bidimensional es completa. Se puede seguir razonando del
mismo modo hasta n dimensiones. De modo que cada densidad de distribucin
posterior es una caracterstica ms completa de la funcin aleatoria que todas las
densidades anteriores.
Para el caso de la funcin aleatoria normalmente distribuida toda la secuencia

infinita de densidades de probabilidad se determina por completo si se conoce la
densidad bidimensional de probabilidad.
La caracterstica de probabilidad completa de de una magnitud aleatoria resulta
ser muy compleja. En la prctica se simplifica el trabajo, siendo necesario conocer los
momentos de primero y segundo orden.
ESPERANZA MATEMATICA DE UNA FUNCION ALEATORIA
Fjese el valor de t y examnese el valor de la funcin aleatoria (para este valor

del argumento) como una magnitud aleatoria corriente. Para esta magnitud aleatoria se
puede determinar la esperanza matemtica , que hablando en general, depender del
valor elegido de t. Dando a t todos los valores posibles, se obtendr cierta funcin mx(t)
a la cual es natural llamarla Esperanza matemtica de la funcin aleatoria X(t).
mx(t) = M [ X(t) ]
La esperanza matemtica de la funcin aleatoria se puede expresar por su densidad
unidimensional de probabilidad:

m x( t ) x. f1( x , t ) dx

Segn la definicin, la esperanza matemtica representa el valor medio (pesado

en cuanto a probabilidad) de la magnitud aleatoria. Por lo tanto, para cada valor dado de
t, la ordenada de la curva mx(t) representa el valor medio de la funcin aleatoria X(t)
para este valor de t.
As, pues, la esperanza matemtica de la funcin aleatoria no es ms que una
curva media alrededor de la cual se disponen las realizaciones posibles de la funcin
aleatoria.
Ejemplo: Se dispone de una funcin aleatoria dada por la siguiente expresin:
.
Xi, k Ui. sin tk. U
180 i
Si Ui es un vector de elementos aleatorios tal como el que surge de rnd(1)

valores equiprobables entre 0 y 1.
i 0 .. 9 ndice que indicar realizacin

Ui rnd( 1 ) Vector de elementos aleatorios
La funcin aleatoria ser un conjunto de sinusoides con amplitud y frecuencia

aleatorias.
k 0 .. 90 ndice que indica valores dentro de una realizacin
tk k. 4 vector de valores de tiempo para evaluar

.
Xi, k Ui. sin tk. U Ui
180 i
La expresin anterior corresponde a una matriz cuyas filas son realizaciones de

la funcin aleatoria.
Calculando las medias de las realizaciones en cada uno de los puntos de

definicin, se encuentra la media de la funcin aleatoria.
El vector M contiene las medias en cada punto considerado de la funcin
aleatoria
<k >
Mk mean X
DISPERSION DE UNA FUNCION ALEATORIA
Es evidente que al considerar solamente la esperanza matemtica de la funcin

aleatoria, se desprecian todas las desviaciones aleatorias posibles, reduciendo a la media
todo el haz de realizaciones posibles de la funcin aleatoria. Importan tambin las
desviaciones aleatorias respecto de estos valores medios.
Conforme a esto, para caracterizar la fluctuacin de las realizaciones de una
funcin en torno a su esperanza matemtica, se puede aprovechar la dispersin de dicha

funcin, la cual por definicin, va expresada por la densidad unidimensional de

probabilidad de la funcin aleatoria por la frmula:
Dx(t) = M { [ X(t) - mx(t) ] 2 }} = M { [ X0(t) ] 2 }}

2
D x( t ) x m x( t ) . f1( x , t ) dx

En problemas prcticos a veces es conveniente examinar la desviacin standard
de la funcin aleatoria.
( t) D x( t )
La esperanza matemtica y la dispersin (varianza) de la magnitud aleatoria son

caractersticas numricas de sus valores para cada valor dado del argumento t.
Ellas en cierto modo determinan la banda que se llena, por las realizaciones
posibles de la funcin aleatoria.
Ejemplo: Continuando con la funcin anterior, se puede hallar la desviacin standard

punto por punto:
<k > el vector S contiene las desviaciones standard en

Sk stdev X
cada punto considerado de la funcin aleatoria
FUNCION DE CORRELACION DE UNA FUNCION ALEATORIA

A pesar de lo expresado anteriormente, la esperanza matemtica y la dispersin
no determinan la conducta de las realizaciones posibles de la funcin aleatoria dentro de
la banda indicada.

En las siguientes figuras se representan las realizaciones de dos funciones

aleatorias con iguales esperanzas matemticas y dispersiones. Sin embargo, estas se
comportan de un modo completamente diferente.
Es obvio que al derivar, por ejemplo, estas dos funciones aleatorias se obtendrn
resultados absolutamente diferentes. Por eso, adems de la esperanza matemtica y de la
dispersin de la magnitud aleatoria, se necesita conocer el grado de variabilidad de
sus realizaciones, la rapidez de cambio de las mismas al variar el argumento t.
A ttulo de ejemplo, se toman dos valores t1 y t2 del argumento t en los dos
grficos y se separa una realizacin de la funcin aleatoria de cada grfico. En el primer
caso, el conocimiento de la ordenada de la realizacin en el punto t1 habla poco del
valor de esta realizacin en el punto t2, como resultado de una gran intensidad de
variacin de todas las realizaciones de la funcin aleatoria entre los puntos t1 y t2.
En el segundo grfico, el conocimiento del valor de la realizacin en t = t1
permite indicar ms exactamente el valor posible de la realizacin cuando t = t2.
En otras palabras, en el segundo caso el conocer el valor de la realizacin en el
punto t = t1 prcticamente limita de modo considerable la gama posible de valores de
las realizaciones en el punto t = t2.En el primer caso, los valores de las realizaciones
posibles de la funcin aleatoria X(t1) y X(t2) en los puntos t1 y t2 dependen poco uno
de otro. En el segundo caso, estos estn enlazados por una dependencia ms fuerte.
Para ilustrar grficamente esta tesis, se llevan al eje x1 los valores de la ordenada
aleatoria X(t1) y al eje x2 los valores de la ordenada aleatoria X(t2). Se toma una gran
cantidad de realizaciones y se marcan los puntos [X(t1),X(t2)]. Para las realizaciones de
la funcin aleatoria, representadas en la primera figura anterior, las magnitudes
aleatorias X(t1) y X(t2) estn vinculadas dbilmente. Por eso la dispersin de los puntos
[X(t1),X(t2)] en el plano x1-x2 es en este caso aproximadamente circular.
Para las realizaciones de la funcin aleatoria, representadas en la segunda figura,

las magnitudes aleatorias X(t1) y X(t2) estn enlazadas por una dependencia fuerte. Por
eso, para la funcin aleatoria cuyas realizaciones se estn considerando, los puntos
posibles [X(t1),X(t2)] se dispondrn en el plano x1-x2 formando una elipse alargada.
Ejemplo: Para una funcin aleatoria como la siguiente:

Xi, k rnd( 1 ) .5
Para caracterizar el grado de dependencia de los valores de una funcin aleatoria
correspondientes a dos valores diferentes del argumento, lo ms simple es valerse del
momento de correlacin de estos valores de la funcin aleatoria.
Se llama Funcin Aleatoria Centrada a la diferencia entre la funcin aleatoria
y su esperanza matemtica:
X 0 ( t ) = X ( t ) - mx ( t )
Entonces, el momento de correlacin de los valores X(t) y X(t') de la funcin aleatoria

X(t), que corresponden a dos valores arbitrarios elegidos del argumento t , t', se
determinar por la frmula:
kx ( t , t' ) = E [ X 0 ( t ) . X 0 ( t' )]
dando a t y t' todos los valores posibles en la zona de variacin del argumento de la
funcin aleatoria X ( t ) , se obtiene la funcin de dos variables t y t' que se denomina
Funcin Correlativa (a veces Autocorrelativa) de la funcin aleatoria X ( t ).
As pues, se llama funcin correlativa de la funcin aleatoria X ( t ) al momento
de correlacin de sus valores para dos valores del argumento t, t', considerado como una
funcin de t y t'.
Al coincidir los valores de los argumentos t = t', el segundo miembro de la
frmula anterior representa la esperanza matemtica del cuadrado de la funcin
aleatoria centrada, es decir, la dispersin de la funcin aleatoria X(t).
k ( t , t ) D x( t )
As, la asignacin de la funcin correlativa de una funcin aleatoria determina tambin
su dispersin.

En el caso ms general de todos, para calcular la funcin correlativa de una

funcin aleatoria se debe conocer la densidad bidimensional de probabilidad:

k x( t , t ) x m x( t ) . x m x( t ) . f2( x , x , t , t ) dx dx

De esta frmula y de otra anterior [para calcular mx(t)] se ve que para calcular
ambas funciones se necesita conocer la densidad bidimensional (y por consiguiente la
unidimensional) de probabilidad. Sin embargo, en muchos problemas prcticos se puede
calcular mx(t) y kx(t,t') empleando mtodos ms simples.
A veces, para caracterizar el enlace entre los valores de una magnitud aleatoria,
en vez de la funcin correlativa, se usa la Funcin Correlativa Normada que
representa el coeficiente de correlacin de los valores de la funcin aleatoria para dos
valores del argumento.
La funcin correlativa normada de una funcin aleatoria normada de una funcin
aleatoria X(t) se determina por la frmula:
k x( t , t ) k x( t , t )
R x( t , t )
D x( t ) . D x( t ) k x( t , t ) . k x( t , t )
En lo sucesivo se necesitar examinar todava el momento inicial de segundo

orden de una funcin aleatoria, el cual se determina como el momento inicial mixto de
segundo orden de sus valores para los valores arbitrariamente elegidos t , t' de su
argumento.
x( t , t ) M( X( t ) . X( t ) ) k x( t , t ) m x( t ) . m x( t )
De acuerdo con la definicin del momento de correlacin de las magnitudes

aleatorias complejas, la funcin correlativa de una funcin aleatoria compleja X(t) se
determina por:
k x ( t , t' ) = M [ X0 ( t ) . X0 ( t' )* ]
Donde X0 ( t' )* es el conjugado de X0 ( t' ).
PROPIEDADES DE LAS ESPERANZAS MATEMATICAS
1) La esperanza matemtica de cualquier magnitud no aleatoria es igual a la propia

magnitud:

M( c ) c
2) La esperanza matemtica del producto de una magnitud no aleatoria por una aleatoria
es igual al producto de la primera magnitud por la esperanza matemtica de la segunda.
M( c. Z) c. M( Z)
3) La esperanza matemtica de la suma de dos magnitudes aleatorias es igual a la suma
de sus esperanzas matemticas.
M( Z Y ) M( Z) M( Y)
4) La esperanza matemtica de una funcin lineal de variables aleatorias de la forma:
n
U a .Z b
i i
i= 1
es igual a la misma funcin de las esperanzas matemticas de estas magnitudes:
n
mu ai. mz b
i
i= 1
PROPIEDADES DE LAS DISPERSIONES Y DE LOS MOMENTOS DE

CORRELACION
1) La dispersin de cualquier magnitud no aleatoria es igual a cero y el momento de

correlacin de dos magnitudes no aleatorias es igual a cero.
2) El momento de correlacin del producto de cualquier magnitud aleatoria con otra no
aleatoria es siempre igual a cero.
3) La dispersin del producto de una magnitud aleatoria por otra no aleatoria es igual al
producto de la dispersin de la magnitud aleatoria por el cuadrado del mdulo de la no
aleatoria.
2
D( c. X) ( c ) . D( X)
4) El momento de correlacin de las magnitudes aleatorias:
U a. X V b. Y
donde a y b son constantes complejas (para generalizar) arbitrarias y X e Y son
magnitudes aleatorias, se determina por la frmula:
k uv a. b. k xy
5) Si las magnitudes aleatorias U y V representan funciones lineales de las magnitudes
aleatorias X1, X2, ... , Xn :
n n
U ai. Xi b V ci. Xi d
i= 1 i= 1
entonces la dispersin de la magnitud aleatoria U y el momento de correlacin de las

magnitudes aleatorias U y V se determinan por las frmulas:

n n n n
Du ai. aj. kij k uv ai. cj. kij (48-1) (1)
i= 1 j = 1 i= 1 j = 1
donde kij es el momento de correlacin de las magnitudes aleatorias Xi, Xj (cuando i=j,
la magnitud kii representa la dispersin de la magnitud aleatoria Xi)
6) En el caso particular, cuando se trata de magnitudes aleatorias no correlacionadas X1,
X2, ... , Xn las magnitudes kij con distintos ndices son iguales a cero y las frmulas
anteriores se convierten en:
n n
2
Du ai . Di k uv ai. cj. Di (48-2) (2)
i= 1 i= 1
Donde Di = kii es la dispersin de la magnitud aleatoria Xi (i = 1,...,n)
Un caso particular de (48-1) es:
n
U Xi
i= 1
luego:
n n
Du kij
i= 1 j = 1
7) Y si las magnitudes aleatorias X1, X2, ... , Xn no estn correlacionadas:
n
Du Di
i= 1
Las dos ltimas frmulas son aplicables para cualesquiera magnitudes aleatorias
no correlacionadas. En particular, son vlidas para las magnitudes aleatorias
independientes.
EJEMPLOS DE FUNCIONES ALEATORIAS
1) Se va a considerar la siguiente funcin aleatoria:
X( t ) U. sin( t ) V. cos( t ) (49-1) (2)
Donde U y V son magnitudes aleatorias no correlacionadas (kuv = 0)cuyas

esperanzas matemticas son nulas y cuyas dispersiones son iguales a D1 y D2
respectivamente.
Las realizaciones de esta funcin son sinusoides con diferentes amplitudes y
fases iniciales.

En el ejemplo en cuestin la funcin aleatoria representa la combinacin lineal

de dos magnitudes aleatorias con los coeficientes sin(t) y cos(t).
nr 100 Nmero de realizaciones

i 0 .. nr 1 ndice que indica realizacin
vr 90 Valores dentro de una realizacin
k 0 .. vr 1 ndice que indica valores dentro de una realizacin
n 0 .. 11 ndice auxiliar
Vi rnd( 1 ) 6
Ui rnd( 1 ) 6
n
n
U y V son vectores con valores distribuidos normalmente con media cero y varianza
uno.

Xi, k Ui. sin tk. Vi. cos tk. matriz cuyas filas son valores de
180 180
realizacin
r 9 .. 18 ndice para lograr 10 realizaciones en el siguiente grfico

Calculando las medias de las 20 realizaciones en cada uno de los puntos de
<k > el vector M contiene las medias en cada punto considerado

Mk mean X
de la funcin aleatoria
Del mismo modo se puede hallar la desviacin standard punto por punto:

<k > el vector S contiene las desviaciones standard en cada punto

Sk stdev X
considerado de la funcin aleatoria
Superponiendo la media y la desviacin standard a las realizaciones, queda

grficamente:
Segn la teora, la media de esta funcin aleatoria es cero y la desviacin

standard es uno.
Esto, grficamente, significa que la mayora de las realizaciones se centra sobre
la media y adems se halla concentrada mayoritariamente dentro una franja que tiene un
ancho de dos desviaciones standard con eje de dicha franja en la media.
Para hallar la funcin de correlacin, se procede del siguiente modo:
<0 > . <k >

X i
X i
i El vector C contendr, punto a punto, los
Ck
rows( X)
valores de la funcin de correlacin, que segn la teora es una de tipo cosenoidal.
.
Tericamente, aplicando una de las propiedades de la esperanza matemtica a la

expresin (49-1), se deduce:
m x( t ) mu . sin( t ) mv. cos( t ) 0
por ser la esperanzas matemticas, de ambas magnitudes aleatorias, nulas.

Poniendo t = t' en la funcin aleatoria:
X( t ) U. sin( t ) V. cos( t )
Los valores X(t) y X(t') de la funcin aleatoria examinada, para dos valores
arbitrarios del argumento, son combinaciones lineales de dos magnitudes aleatorias no
correlacionadas U y V.
Aplicando la propiedad (48-2) de los momentos de correlacin de dos
combinaciones lineales de magnitudes aleatorias no correlacionadas, se halla la funcin
correlativa de la funcin aleatoria X(t).
k ( t , t ) D1. sin( t ) . sin( t ) D2. cos( t ) . cos( t )
En el caso particular, cuando D1 = D2 = D, queda:

k ( t , t ) D. cos( t t ) (49-2) (3)
______________________________________________________________________
2) En un caso ms general, cuando:

n
X( t ) Xi. f i( t )
i= 1
Donde f1(t), ... , fn(t) son funciones no aleatorias cualesquiera, en el caso ms
general complejas, y X1, ..., Xn son magnitudes aleatorias cualesquiera con esperanzas
matemticas arbitrarias pero finitas, y momentos de segundo orden.
La esperanza matemtica se halla aplicando la propiedad de las esperanzas
matemticas de una funcin lineal de las magnitudes aleatorias:
n
m x( t ) mx . f i( t )
i
i= 1
ya que los valores de la funcin aleatoria que se examina son, para dos valores del
argumento arbitrariamente elegidos, funciones lineales de las mismas magnitudes
aleatorias, se puede aplicar la propiedad (48-1):
n
k x( t , t ) kij. f i( t ) . f j ( t )
i= 1
donde kij es el momento de correlacin de las magnitudes aleatorias Xi, Xj ( i,j = 1, ... ,
n y kii = Dxi .
______________________________________________________________________
2) Generalizando el problema 1, suponer aleatorias no slo la amplitud y la fase sino

tambin la frecuencia de las oscilaciones armnicas. Examnese la funcin aleatoria:
X( t ) U. sin( . t ) V. cos( . t )
Donde U, V y son magnitudes aleatorias independientes, con la particularidad que

las magnitudes U y V tienen medias nulas y las mismas dispersiones D, y la magnitud
aleatoria se caracteriza por la densidad de probabilidad f().
La esperanza matemtica de la funcin aleatoria X(t) es idnticamente igual a cero.
Esto se puede demostrar fijando un valor particular de , lo que lleva al primer
ejemplo.
La frmula (49-2) determina la funcin correlativa condicional de la funcin
aleatoria X(t) para el valor dado de de la frecuencia .
k x ( t , t' / ) = M [ X(t) . X(t) / D . cos t - t' ) ]

Ahora, para hallar la funcin correlativa de la funcin aleatoria X(t) basta
multiplicar la funcin correlativa condicional hallada, con el elemento correspondiente
de probabilidad f(deintegrar con respecto a todos los valores posibles de de la
magnitud aleatoria . Entonces, teniendo en cuenta que la frecuencia de las
oscilaciones es, en su esencia, una magnitud positiva, debido a lo cual su densidad de
probabilidad f() es igual a cero para 0, se obtiene:

k x( t , t ) D. f( ) . cos( . ( t t ) ) d
0
Examnese el caso concreto cuando:
2.
f( )
2 2
.
En este caso queda:

2. . D. cos( . ( t t ) )
k x( t , t ) d

2

2
0
Esta integral puede calcularse por muchos procedimientos, quedando:
. t t
k x( t , t ) D. e (4)
Numricamente, el planteo del problema podra ser:

10 coeficiente
2.
f( ) (5)
2 2
.
funcin densidad de la distribucin de frecuencias
La integral de esta funcin dar la Funcin Distribucin:

atan

F( ) 2.

Si en esta funcin se sustituye F() por rnd(1) y se despeja se puede tener un
conjunto de valores que tengan la distribucin (5).
j 0 .. 400 ndice que dar el tamao del vector formado
rnd( 1 ) .
Wj . tan vector
2
para verificar este hecho se construir un histograma.
n1 8 nmero de intervalos
k2 0 .. n1 ndice para generar n1 intervalos
Max 100 m 0 Extremos del intervalo de anlisis
Max m.
interk2 m k2 vector de intervalos
n1
h hist( inter, W ) vector que cuenta las frecuencias en cada intervalo
k1 0 .. n1 1 ndice auxiliar 0 , 0.1 .. 100

Como se puede observar, la distribucin de los datos sigue perfectamente la

ecuacin (5).
Formando la matriz cuyas filas son valores de realizacin:
nr 100 Nmero de realizaciones

i 0 .. nr 1 ndice que indica realizacin
vr 90 Valores dentro de una realizacin
k 0 .. vr 1 ndice que indica valores dentro de una realizacin
Wi Wi
Xi, k Ui. sin .t . Vi. cos .t .
k 180 k 180
r 9 .. 12 ndice para lograr 4 realizaciones en el siguiente grfico

Calculando las medias de las 20 realizaciones en cada uno de los puntos de
El vector M contiene las medias en cada punto considerado de la funcin
aleatoria
<k >
Mk mean X
Del mismo modo se puede hallar la desviacin standard punto por punto:
<k >
Sk stdev X
el vector S contiene las desviaciones standard en cada punto considerado de la funcin
aleatoria Superponiendo la media y la desviacin standard a las realizaciones, queda
grficamente:

Para hallar la funcin de correlacin, se procede del siguiente modo:
<0 > . <k >

X i
X i
i
Ck
rows( X)
El vector C contendr, punto a punto, los valores de la funcin de correlacin,

que segn la teora es una de tipo exponencial decreciente.

FUNCIONES ALEATORIAS ESTACIONARIAS
Generalmente se llama estacionarios a aquellos procesos y objetos cuyas

caractersticas no dependen del tiempo de observacin, es decir no cambian al decalar
arbitrariamente el tiempo (son invariantes con respecto a cualquier decalaje del

tiempo).
De acuerdo con lo dicho, se denomina ESTACIONARIA a una funcin
aleatoria X(t) si determinadas caractersticas probabilsticas de la funcin de la funcin
aleatoria X(t+), cualquiera sea , coincide idnticamente con las caractersticas
correspondientes a X(t).
Es evidente que la esperanza matemtica y la dispersin de la funcin
aleatoria estacionaria son constantes y su funcin correlativa depende slo de la
diferencia de los argumentos t - t'.
En efecto, segn la definicin general de la estacionariedad, la esperanza
matemtica y la funcin correlativa de la funcin aleatoria X(t) satisfacen las
condiciones:
m x( t ) m x( t ) k x( t , t ) k x( t , t )
cualquiera sea Poniendo en la primera tse obtiene:

Poniendo en la segunda t'se obtiene:
k x( t , t ) k x( t t , 0 )
La dispersin de la funcin aleatoria X(t) es igual al valor de su funcin

correlativa cuando t = t'.
Por eso, de lo anterior:
D x( t ) k x( t , t ) k x( 0 , 0 ) D x( 0 ) cte
Designando la funcin de una variable t - t' por kx(t-t') , se puede escribir:
k x( t , t ) k x( t t ) k x( ) donde t t
Ahora bien, si la funcin aleatoria X(t) es estacionaria, entonces, dondequiera

que se elija un intervalo de longitud dada en el eje de las variables independientes t,
los valores de la funcin aleatoria X(t) tienen en los extremos de este intervalo un
mismo momento de correlacin kx().
Para todos los problemas prcticos en los que se trata slo con momentos de los
dos primeros rdenes (esperanzas matemticas y funciones correlativas) basta la
constancia de la esperanza matemtica y la dependencia de la funcin de correlacin
slo de la diferencia de los argumentos para considerar estacionaria a una funcin
aleatoria.

Por eso, las funciones aleatorias cuyas esperanzas matemticas son

constantes y las funciones correlativas dependen slo de la diferencia de
argumentos se llaman estacionarias en el sentido amplio.
La estcionariedad en el sentido amplio representa el tipo ms simple de
estacionariedad.
Segn la definicin dada, la funcin aleatoria con esperanza matemtica variable
es no estacionaria incluso si la funcin de correlacin de la misma depende slo de la
diferencia de los argumentos.. Sin embargo, tal estacionariedad es, evidentemente no
esencial, puesto que la funcin aleatoria centrada X0(t) = X(t) - mx(t) es estacionaria
siempre que la funcin correlativa de la funcin aleatoria X(t) dependa slo de la
diferencia de argumentos.
Como la funcin correlativa de cualquier funcin aleatoria es simtrica, es decir
no cambia de valor al permutar los valores de los argumentos, entonces la funcin
correlativa de una funcin aleatoria estacionaria satisface la condicin:
k x( t t ) k x( t t) o bien k x( ) k x( )
As pues, la funcin correlativa de una funcin aleatoria estacionaria es funcin

par de la diferencia de los argumentos.
Por otro lado, de las propiedades de la funcin correlativa, aplicadas a funciones
aleatorias estacionarias:
k x( ) k x( 0 ) D x
De modo que, la funcin correlativa de una funcin aleatoria estacionaria,

cualquiera sea , no puede ser en magnitud absoluta, mayor que su valor
correspondiente en el origen de coordenadas.
Ejemplos:
1) En el ltimo ejemplo anterior, haba una funcin correlativa dependiente slo de la

diferencia de argumentos, de la forma:
.
k x( ) Dx. e donde t t
2) La funcin aleatoria:
X( t ) U. sin( . t ) V. cos( . t )
es estacionaria solamente en el caso cuando las dispersiones de las magnitudes

aleatorias U y V son iguales. En el caso general de diferentes dispersiones de las
magnitudes aleatorias U y V esta funcin aleatoria no es estacionaria.
Ahora bien, la oscilacin armnica de cierta frecuencia, con amplitud y fase

aleatorias representa en el caso general una funcin aleatoria no estacionaria y solo en el
caso particular de ser iguales las dispersiones de los coeficientes aleatorios adjuntos al
seno y coseno, es una funcin aleatoria estacionaria.
3) La funcin aleatoria:
X( t ) U. sin( . t ) V. cos( . t )
es estacionaria cualquiera que sea la densidad de probabilidad de la frecuencia aleatoria

de las oscilaciones f() puesto que su esperanza matemtica es idnticamente igual a
cero, mientras que la funcin correlativa, determinada por (4) depende slo de la
diferencia de argumentos.
4) Si:
b. t . ( t t )
m x( t ) a k x( t , t ) D. e
entonces la funcin aleatoria X(t) es no estacionaria. No obstante, esta no

estacionariedad no es esencial, puesto que la correspondiente funcin aleatoria X0(t) es
estacionaria.
SECUENCIAS ALEATORIAS - PROCESOS ALEATORIOS MARKOVIANOS
Los valores de la funcin aleatoria en la serie discreta de los puntos fijos t1,
t2, ..., tn forman una secuencia aleatoria Xr = X(tr) (r = 1, 2, ...). Es evidente que el
trmino arbitrario de la secuencia aleatoria Xr se puede considerar como funcin
aleatoria de su nmero, es decir, del argumento r representado por un nmero entero y,
de este modo, no examinar el argumento t.
Si el nmero de valores del argumento tr es finito, los valores correspondientes
de la funcin aleatoria forman una secuencia aleatoria finita. Los trminos de la
secuencia aleatoria finita se pueden considerar como componentes de un vector
aleatorio. Por consiguiente, para las secuencias aleatorias finitas es vlida por completo
la teora de los vectores aleatorios.
Si el nmero de valores del argumento tr es infinito, los valores
correspondientes de la funcin aleatoria forman una secuencia aleatoria infinita. La
secuencia de valores del agumento {tr}puede irse a la infinidad por el eje t a un lado
cualquiera (positivo o negativo) o a ambos lados. En el ltimo caso con los valores tr
del argumento t se confrontan todos los nmeros enteros desde menos infinito a ms
infinito.
En lo sucesivo se examinar siempre, para que el exmen tenga un carcter
general, las secuencias aleatorias infinitas a ambos lados.
A veces en los problemas de aplicacin la secuencia aleatoria se llama funcin

aleatoria enrejada y el argumento representado por nmeros enteros, de tal funcin
aleatoria se toma entre corchetes para diferenciarlo del argumento contnuamente
variables:
Xr =X[r] (r=0, + 1, + 2, ...)
La caracterstica probabilstica completa de una secuencia aleatoria es la

secuencia de leyes de distribucin de sus trminos tomados uno a uno, dos a dos, tres a
tres, etc.
La secuencia aleatoria se considera normalmente repartida, si sus leyes de
distribucin de todos los rdenes son normales.
Limitndose a los momentos de primer y segundo orden, se puede caracterizar la
secuencia aleatoria por su esperanza matemtica y su funcin correlativa.
La esperanza matemtica de una secuencia aleatoria es, evidentemente, una
secuencia de nmeros que representan las esperanzas matemticas de los trminos
correspondientes de la secuencia aleatoria:
mrx = M [ X r ] =M [ X ( tr ) ] (r = 0, + 1, + 2, ...)
La funcin correlativa de una secuencia aleatoria representa el momento de

correlacin de dos trminos de esta secuencia elegidos arbitrariamente, considerado
como funcin de los nmeros de los trminos mencionados:
krsx = M [ X0r . X0s ] =M [ X0 ( tr ) . X0 ( ts )] (r,s = 0, + 1, + 2, ...)
Ejemplo: Los valores de la funcin aleatoria con esperanza matemtica y funcin

correlativa:
mx = a + b.t kx ( t , t' ) = D.e - . | t - t' |
para los valores equidistantes del argumento tr = r . (r = 0, + 1, + 2, ...) forman la

secuencia aleatoria Xr con la esperanza matemtica:
mrx = a + b. r . (r = 0, + 1, + 2, ...)
y la funcin correlativa:
kxrs = D.g - | r - s | , g = e - .
El tipo ms simple de secuencia aleatoria es la de magnitudes aleatorias

independientes. Para tal secuencia aleatoria la funcin correlativa es igual a la
dispersin del trmino correspondiente de la secuencia, siendo iguales los valores de

los argumentos (r = s), y es igual a cero si los argumentos tienen diferentes valores
( r <> s).
En cuanto a la simplicidad, el siguiente tipo de secuencias en las que la
dependencia entre los trminos parece extenderse slo a un nmero pequeos de
trminos vecinos. Tales secuencias aleatorias se llaman Cadenas Markovianas. Se va a
ver a continuacin una definicin exacta de las cadenas markovianas.
La secuencia aleatoria {Xr} se denomina cadena markoviana simple, si la ley
condicional de distribucin de cada trmino de la secuencia Xr con respecto a los
trminos anteriores Xr-1 , ... , Xr-n , para cualquier n > 1, depende solamente del valor
que toma el trmino precedente de la secuencia Xr-1.
As pues la secuencia aleatoria es una cadena markoviana simple, si la densidad
condicional de probabilidad de cada uno de sus trminos Xr con respecto a los
trminos anteriores Xr-1 , ... , Xr-n para cualquier n > 1 es idnticamente igual a la
densidad condicional de probabilidad Xr con respecto a Xr-1:
f r ( x r | x r - 1 , . . . , x r - n ) = fr ( x r | x r - 1 ) (n = 2, 3, . . .)
La secuencia aleatoria {Xr} se denomina cadena markoviana compuesta de

orden k, si la ley condicional de distribucin de cada trmino de la secuencia Xr con
respecto a los trminos anteriores Xr-1 , ... , Xr-n , para cualquier n > 1, depende
solamente de los valores que toman k de los trminos precedentes Xr-1 , ... , Xr-k es
decir:
f r ( x r | x r - 1 , . . . , x r - k , x r - k -1 , . . . , x r - n ) =
= fr ( x r | x r - 1 , . . . , x r - k ) (n = k + 1 , k + 2, . . . )
Ejemplo 1: Como introduccin se hallar la esperanza matemtica y la dispresin de la

frecuencia de un acontecimiento para n pruebas independientes realizadas en iguales
condiciones.
Se designa por Xi el nmero de veces que sucede el acontecimiento A como
resultado de la i-sima prueba. Se calcular la esperanza matemtica y la dispersin de
la magnitud aleatoria Xi.
Esta magnitud tiene dos valores posibles 0 y 1, cuyas probabilidades son q = 1 -
p y p respectivamente. Por lo tanto:
mxi = 0 . q + 1 . p = p (i = 1, 2, . . ., n)
As pues, la esperanza matemtica del nmero de veces que se produce un
acontecimiento al efectuar un solo experimento es siempre igual a la probabilidad de
este acontecimiento. Para hallar la dispersin de la magnitud aleatoria Xi se procede:

Dxi = (0 - mxi )2 . q + (1 - mxi )2 . p = p2 . q + q2 . p = p. q . (p + q) = p . q

(i = 1, 2, . . ., n)
Segn la definicin, la frecuencia U de un acontecimiento A representa la

relacin del nmero de veces que sucede el acontecimiento A, el cual es evidentemente,
igual al nmero de veces que se produce este en cada una de las pruebas, al nmero total
de experimentos realizados:
n
1.
U Xi
n
i= 1
Esta frmula muestra que la frecuencia del acontecimiento A es una

combinacin lineal de las magnitudes aleatorias independientes X1, X2, . . . , Xn que
representan los nmeros de veces que ocurre el acontecimiento A en cada una de las
pruebas realizadas.
Por consiguiente, para determinar la esperanza matemtica de la frecuencia U se
puede hacer uso de la propiedad de las esperanzas matemticas referidas a las
combinaciones lineales de magnitudes aleatorias, teniendo en cuenta que en ese caso los
coeficientes ai son iguales a 1/n y el trmino independiente es igual a cero, se obtiene:
n n
1. 1.
mu mx p p
n i n
i= 1 i= 1
As pues, la esperanza matemtica de la frecuencia de un acontecimiento es igual

a la probabilidad de este ltimo.
Para determinar la dispersin se recurre a las propiedades sobre dispersin de
variables aleatorias, como resultado se obtiene:
n n
1. 1. q
Du Dx p. q p.
2 i 2 n
n n
i= 1 i= 1
De los resultados obtenidos se puede sacar la deduccin prctica siguiente: La

esperanza matemtica de la frecuencia, cualquiera sea el nmero de pruebas, es
igual a la probabilidad del acontecimiento, y la dispersin de la frecuencia tiende a
cero cuando el nmero de pruebas es lo suficientemente grande.
Ingresando en el ejemplo propiamente dicho, examnese la secuencia de
experimentos independientes en condiciones iguales. Sea Xr el nmero de veces que se
produce cierto acontecimiento A al realizar la r-sima prueba y p la probabilidad de que
se produzca el acontecimiento A en cada prueba.

Es evidente que la secuencia X1, X2, . . . , Xr, . . . es es la secuencia de

magnitudes aleatorias independientes con la esperanza matemtica constante mrx = p y
la funcin correlativa krrx = p . q , krsx = 0 cuando s<> r.
n2 100 repeticin de la prueba i 0 .. n2 1
n1 200 nmero de pruebas j 0 .. n1 1
Yi, j ceil( rnd( 6 ) )
Matriz de orden n1*n2 con los resultados de n1 experiencias de arrojar un dado

n2 veces. Se obtienen n1 magnitudes aleatorias independientes.
El nmero de veces que se produce el acontecimiento A = "sale un 6" en la j-
sima prueba es:
Y1i, j if Yi, j< 6 , 0 , 1 Pone en cero todo elemento de la matriz distinto de 6
<j >
Xj Y1 Suma los elementos de la j-sima columna
.
El vector X indica el nmero de veces que se produce el acontecimiento A en la
primera prueba, en la segunda, ..., en la j-sima. si cada elemento se divide por el
nmero de pruebas (n2) se obtiene la media de cada variable aleatoria (mrx) y que en el
lmite debera ser p (probabilidad de sacar un seis) que vale 1/6. Esto se puede apreciar
en el grfico.
La funcin correlativa debe valer (tericamente) krrx = p . q , krsx = 0

Expresin de la funcin correlativa (tomando como referencia la columna 10.
<10 > 1 . <j > 1

Y1 Y1
6 i 6 i
i
Cj
rows( Y1)
aproximadamente p.(1-p) 1. 1
C10 = 0.194 1 = 0.139
6 6
En el siguiente grfico se pueden apreciar los resultados.


Aleatoria

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aleatoria

Uploaded by

Copyright:

Available Formats

Universidad de Mendoza Ing.

Jess Rubn Azor Montoya Matemtica Superior con Mathcad

Donde T es un conjunto de parmetros ndice (continuos o discretos) y es el

1) Para cualquier t, X(t,) es una funcin aleatoria.

Las funciones aleatorias se indicarn con letras latinas maysculas

Esto quiere decir que la funcin aleatoria es equivalente a un conjunto

La densidad bidimensional de probabilidad de una funcin aleatoria representa

Para el caso de la funcin aleatoria normalmente distribuida toda la secuencia

ESPERANZA MATEMATICA DE UNA FUNCION ALEATORIA

Fjese el valor de t y examnese el valor de la funcin aleatoria (para este valor

Segn la definicin, la esperanza matemtica representa el valor medio (pesado

Si Ui es un vector de elementos aleatorios tal como el que surge de rnd(1)

i 0 .. 9 ndice que indicar realizacin

La funcin aleatoria ser un conjunto de sinusoides con amplitud y frecuencia

Funciones Aleatorias pgina 3

La expresin anterior corresponde a una matriz cuyas filas son realizaciones de

Calculando las medias de las realizaciones en cada uno de los puntos de

DISPERSION DE UNA FUNCION ALEATORIA

Es evidente que al considerar solamente la esperanza matemtica de la funcin

Funciones Aleatorias pgina 4

funcin, la cual por definicin, va expresada por la densidad unidimensional de

Dx(t) = M { [ X(t) - mx(t) ] 2 }} = M { [ X0(t) ] 2 }}

La esperanza matemtica y la dispersin (varianza) de la magnitud aleatoria son

Ejemplo: Continuando con la funcin anterior, se puede hallar la desviacin standard

<k > el vector S contiene las desviaciones standard en

FUNCION DE CORRELACION DE UNA FUNCION ALEATORIA

Funciones Aleatorias pgina 5

En las siguientes figuras se representan las realizaciones de dos funciones

Para las realizaciones de la funcin aleatoria, representadas en la segunda figura,

Ejemplo: Para una funcin aleatoria como la siguiente:

Entonces, el momento de correlacin de los valores X(t) y X(t') de la funcin aleatoria

Funciones Aleatorias pgina 7

En el caso ms general de todos, para calcular la funcin correlativa de una

En lo sucesivo se necesitar examinar todava el momento inicial de segundo

De acuerdo con la definicin del momento de correlacin de las magnitudes

Donde X0 ( t' )* es el conjugado de X0 ( t' ).

PROPIEDADES DE LAS ESPERANZAS MATEMATICAS

1) La esperanza matemtica de cualquier magnitud no aleatoria es igual a la propia

Funciones Aleatorias pgina 8

PROPIEDADES DE LAS DISPERSIONES Y DE LOS MOMENTOS DE

1) La dispersin de cualquier magnitud no aleatoria es igual a cero y el momento de

entonces la dispersin de la magnitud aleatoria U y el momento de correlacin de las

Funciones Aleatorias pgina 9

EJEMPLOS DE FUNCIONES ALEATORIAS

1) Se va a considerar la siguiente funcin aleatoria:

X( t ) U. sin( t ) V. cos( t ) (49-1) (2)

Donde U y V son magnitudes aleatorias no correlacionadas (kuv = 0)cuyas

Funciones Aleatorias pgina 10

En el ejemplo en cuestin la funcin aleatoria representa la combinacin lineal

nr 100 Nmero de realizaciones

r 9 .. 18 ndice para lograr 10 realizaciones en el siguiente grfico

<k > el vector M contiene las medias en cada punto considerado

Funciones Aleatorias pgina 11

<k > el vector S contiene las desviaciones standard en cada punto

Superponiendo la media y la desviacin standard a las realizaciones, queda

Segn la teora, la media de esta funcin aleatoria es cero y la desviacin

<0 > . <k >

Tericamente, aplicando una de las propiedades de la esperanza matemtica a la

m x( t ) mu . sin( t ) mv. cos( t ) 0

por ser la esperanzas matemticas, de ambas magnitudes aleatorias, nulas.

k ( t , t ) D1. sin( t ) . sin( t ) D2. cos( t ) . cos( t )

En el caso particular, cuando D1 = D2 = D, queda:

2) En un caso ms general, cuando: