Você está na página 1de 6

2.

MODELOS ESTOCÁSTICOS A UTILIZARSE PARA

IMPUTACIÓN DE DATOS

2.1 Introducción

Este segundo capítulo aborda el tema de las técnicas y principios científicos que

permiten la generación de números aleatorios, los mismos que son necesarios

para la simulación de sistemas que se explican estocásticamente. Para esto, la

sección 2.2 trata acerca de la Distribución Uniforme; la siguiente sección detalla

los Métodos para la Generación de números aleatorios; después se describe un

Método de Generación de Variables Aleatorias no Uniformes y por último se

muestra las pruebas de hipótesis sobre los parámetros o la distribución de una

población.

2.2 Distribución Uniforme

Una variable aleatoria X tiene una distribución uniforme continua con

parámetros  y  si y solo sí su función de densidad f , está dada por

 1
 , X  α, β 
f ( x)   β  α (2.1)
 0 ,
 para el resto de X
Los parámetros  y  de esta variable son constantes reales con    , véase

Gráfico 2.1.

GRÀFICO 2.1
Efectos de la Imputación en el análisis de datos multivariados
Densidad de la Distribución Uniforme

f(x)

Elaborado por: G. Cuenca

La media y la varianza de la distribución uniforme están dadas por:

 β β
 1   x2  β2 α2
E ( X )   xf(x)dx   x dx     
 α 
β α  2(β  α)  α 2(β  α) 2(β  α)

β 2  α 2 (β  α)(β  α) β  α (2.2)
   μ
2(β  α) 2(β  α) 2
GRÁFICO 2.2
Efectos de la Imputación en análisis de datos multivariados
Media de la distribución uniforme

f (x)

x
  
2

Elaborado por: G. Cuenca

Por lo tanto,  se ubica en el punto medio entre  y  , véase Gráfico 2.2

Además si X ~ U α, β ,
Var(X)  E(X  μ) 2  E(X 2 )  μ 2

  β β
 1  1 1  x3 
E(X )   x f(x)dx   x 
2 2 2
dx   x dx 
2
 
   β  α  β  α α
β  α  3 α


1  β3 α3 
     

1  β 3  α 3   β  α  β 2  αβ  α 2 
β α 3 3  β  α  3  3 β  α 

β 2  αβ  α 2  α  β  β 2  αβ  α 2 α 2  2α  β 2
2

Var(X)     
3  2  3 4

  
 4 β 2  αβ  α 2  3 α 2  2α  β 2 
4β 2  4α  4α 2  3α 2  6α  3β 2

12

β 2  2α  α 2  β  α 
2 (2.3)
 
12 12

Para comprobar que la probabilidad de que un valor ocurra en un intervalo, solo

depende de la longitud de dicho intervalo, efectuamos lo siguiente:


GRÁFICO 2.3
Efectos de la Imputación en análisis de datos multivariados
Números en el intervalo X Є ( ,  )

f ( x)

 β

← Δ → ← Δ →

Elaborado por: G. Cuenca

Sea X ~ U ( ,  ) , tal que:

 1
 , X  α, β 
f ( x)   β  α
 0 ,
 para el resto de X

Además, el intervalo (a, b) está incluido en α, β  al igual que (c, d), esto es:

Si a,b α, β  y c,d  α, β 

Supongamos además que:

(b  a)  x y que igualmente (c  d )  x , esto significa que:

b  a   x
b
P X  a, b   
1 1
dx 
a
     

d  c   x
d
P X  c, d   
1 1
dx 
c
     

x
Por tanto P X  a, b  P X  c, d  
(2.4)
 
Caso particular: Si   1 y   10 ; X  U ( 1, 10 )

En este caso la densidad f es tal que:

1
 X  1,10 
f ( x)   9
0 resto de X
si a  2, b  5
5
P X  2 , 5   dx  5  2  
1 1 3
2
9 9 9
si c  1, d  4
4
P X  1, 4    dx  4  1 
1 1 3
entonces x  3
1
9 9 9

En este caso particular se puede comprobar que escogiendo números que se

encuentran en intervalos de igual longitud x  3 , la probabilidad de que se efectúe

una lectura en dicho intervalo es la misma, cuando la variable aleatoria es uniforme.