1

Producto de variables aleatorias

Jonathan D.Acosta1* , Hugo Cisneros, Renny Coro
Departamento de Ciencias Exactas,1 Universidad de las Fuerzas Armadas ESPE, Sangolguı́,Ecuador
*
Autor principal/Corresponding author, e-mail: jdacosta3@espe.edu.ec

Abstract : With the celebration of the XIII Congress of Science and Technology at the University of the Armed Forces, a series
of lectures, conferences and mini courses focused on several areas of knowledge of the exact sciences was held, where one of
the topics was to discuss the models of structural equations for the analysis of surveys and the product of random variables,
which in statistics is a probability of occurrence of cases that relate the variables proposed, which change their way of analysing
when they are dependent or independent; This article details the main aspects of the analysis of random variables in addition to
their applications and the importance within the mathematical field and the aspects of the real world that this type of study needs.

Keywords—Congress, exact sciences, random variables, statistics, probability.

Resumen: Con celebración del XIII Congreso de Ciencia y Tecnologı́a en la Universidad de las Fuerzas Armadas, se realizaron
una serie de charlas, conferencias y mini cursos enfocados en varias áreas del conocimiento entre ellas las de ciencias
exactas, donde uno de los temas a tratar fueron los modelos de ecuaciones estructurales para el análisis de encuestas y el
de producto de variables aleatorias, la cual en estadı́stica es una probabilidad de ocurrencia de casos que relacionan a las
variables planteadas, las cuales cambian su forma de analizar cuando son dependientes o independientes; en este artı́culo
se detallan los principales aspectos del análisis de variables aleatorias además de sus aplicaciones e importancia dentro del
ámbito matemático y aspectos del mundo real que necesiten este tipo de estudio.

Palabra Clave—Congreso, ciencias exactas, variables aleatorias, estadı́stica, probabilidad.

I. I NTRODUCCI ÓN II. E STADO DE ARTE

Con la estudio de la estadı́stica, sus conceptos y métodos se llega
a la conclusión que no son solo útiles sino que en varios casos se
vuelven fundamentales para entender el mundo a nuestro alrededor,
a partir de ellas se pueden obtener nuevas ideas del comportamiento
de varios fenomenos que son estudiados en la actualidad por la
ingenieria y la ciencia.
“La disciplina de estadı́stica nos enseña cómo realizar juicios
inteligentes y tomar decisiones informadas entre la presencia de
incertidumbre y variación. Sin incertidumbre y variación, habrı́a
poca necesidad de métodos estadı́sticos o de profesionales en
estadı́stica”[1].
Para el análisis de los métodos estadı́sticos es necesario incluir
algunos conceptos básicos; la estadı́stica es una disciplina que a
partir de la recolección de datos proporciona métodos para organizar,
resumir y sacar conclusiones basadas en la información de los
datos recogidos.[1] Una población de interés hace referencia a una
colección bien de definida de objetos de los cuales se pueden obtener
datos, cuando la información a recolectar es accesible a todos los
miembros de la población el proceso es conocido como censo; pero
por lo general existen restricciones o factores que hacen que el
censo sea difı́cil de realizar por lo cual se obtiene la información de
un subconjunto de la población que recibe el nombre de muestra.
Una variable es cualquier caracterı́stica cuyo valor puede cambiar
de un objeto a otro en la población [1], dentro de estas se pueden
destacar las siguientes:
• Univariantes: se compone de observaciones realizadas en una
sola variable.
• Bivariantes: se compone de observaciones en cada una de dos
variables.
• Multivariantes: surben cuando se realizan observaciones en más
de una variable.
“En la actualidad el aprendizaje soportado por los entornos virtua-
les de enseñanza y aprendizaje (EVEA) está cada vez mas difundido,
por lo cual se requiere el desarrollo de nuevas herramientas de apoyo
a la enseñanza en las distintas ciencias”[3].
“Las estadı́sticas de pedido abordan las propiedades y distribu-
ciones de variables aleatorias ordenadas (RV) y sus funciones.”[4]
Las estadı́sticas de pedido son una subdisciplina importante de la
teorı́a estadı́stica y encuentra aplicaciones en una gran variedad
de campos. Con en transcurso de los años, se ha aplicado este
método a muchas áreas de la teorı́a y la práctica estadı́stica, incluidas
las pruebas de vida, el control de calidad y el procesamiento de
señales e imágenes. Recientemente, las estadı́sticas orden ha estado
haciendo un número creciente de apariciones en comunicaciones y
procesamiento avanzado de señales como en sistemas inalambricos.
“En varios casos de sistemas inalámbricos, la comunicación canal
puede ser bien descrito como un producto de independiente variables
aleatorias (RV).”[5] En las conexiones inalámbricas de multipunto
el sistema de retransmisión emplea un protocolo para amplificar y
reenviar el factor de amplificación fijo estadisticamente, el canal
conectado en cascada desde el origen de la linea inalambrica hasta
el destino puede representarse como el producto de las casas que
describen la ganancia del canal para los saltos individuales.
Como resultado de su aplicación se han definido nuevos formatos
de documentos portables y un sistema de archivo de disco com-
pacto aproximados para definir productos de variables gaussianas
generalizadas. Las cálculos obtenidos de productos de las variables
independientes enfocadas en las nuevas técnicas de aproximación son
métodos mas simples que los existentes, esto se verifica por medio por
los resultados numéricos que contienen una presición satisfactorias.
El pdf aproximado del producto de variables aleatorias Gaussianas
generalizadas normalizadas independientes se deriva como:
 m0 −n+ n
p m0 p
fY GA (x) ≈   ∗
2nΓ m0 − n + n Ω0
p
 2m v
vm0
+mv−v−1 − Ω 0 x n
x n e 0 Las caracterı́sticas de la función de distribución son:
• F (x) está definida para todos los números reales.
“La aproximación al cdf del producto de n variables de Gamma • 0 ≤ F (x) ≤ 1, puesto que está definida a través de una
generalizado normalizado puede derivarse integrando al momento de probabilidad.
incorporar los datos respectivos.”[5] • lı́mx−→−∞ F (x) = 0
• lı́mx−→∞ F (x) = 1
III. O BJETIVOS • Gráficamente, F (x) es una función escalonada, cuyos saltos se
producen en los valores que toma la variable.
A. Objetivo General En ocasiones, resulta cómodo utilizar la función de distribución para
Determinar los principales conceptos y caracterı́sticas del producto el cálculo de probabilidades par lo cual se dan los siguientes casos:
de variables aleatorias para establecer un análisis de relación entre • P (X ≤ x) = F (x), por definición.
dos o más variables planteadas. • P (X > x) = 1 − P (X ≤ x) = 1 − F (x)
• Sea n, m ∈ N , valores que toma la variable X, se verifica
P (n < X ≤ m) = P (X ≤ m) − P (X ≤ n) = F (m) − F (n)
B. Objetivos Especı́ficos
• Realizar una investigación bibliográfica referente a el producto
de variables aleatorias. A. Esperanza Matemática y Varianza
• Describir los fundamentos y propiedades de las variables alea-
torias. Sea X una variable aleatoria discreta que toma los valores de x1
• Determinar la importancia de realizar un análisis del producto a xn . El valor esperado o esperanza matemática es la medida de
de variables aleatorias. centralización más utilizada y se obtien promediando cada posible
valor por su probabilidad
IV. VARIABLES A LEATORIAS
X
(4) µ = E(X) = xi P (X = xi )
Cuando se lleva a cabo un experimento aleatorio, no se esta i
interesado en todos los detalles del resultado, sino que, por el
contrario, el interés se centra sobre el valos de ciertas magnitudes donde la sumatoria se extiende a todos los valores que pueda tomar
numéricas determinadas por el mismo. Estas magnitudes de interés la variable.
que vienen determinadas por el resultado del experimento se conocen La varianza está definida como:
como variables aleatorias [2]. 2
X 2
(5) σX = xi P (X = xi ) − µ2
Como los valores que pueden tomar las variables aleatorias i
dependen del resultado del experimento se asignan probabilidades a
los posibles valores que puedan tomar.
VI. VARIABLES A LEATORIAS C ONTINUAS
Antes de realizar un experimento aleatorio es difı́cil predecir con Una variable aleatoria continua puede tomar cualquier valor de
exactitud los resultados que se obtendran, por eso se intenta describir un intervalo real de la forma (a, b), (a, ∞), (−∞, b), (−∞, ∞) o
cuales serán los resultados posibles y la probabilidad de ocurrencia de uniones de ellos [3].
cada uno de ellos [3]. En todo proceso de observación o experimento
aleatorio se puede definir una variable aleatoria asignando a cada En el caso de las variables aleatorias continuas hay que observar
resultado del experimento un número que puede ser: que la probabilidad de que la variable tome un valor particular se
• Si el valor del experimentoes numérico porque se basa en una considera igual a cero, por lo que se supone que no es posible
cuenta o medida, los posibles valores de la variable coinciden conocer el valor exacto de una variable continua, ya que medir su
con los resultados del experimento.[3] valor consiste en clasificarlo dentro de un intervalo [3].
• Si el resultado del experimento es cualitativo, se hace corres-
ponder a cada resultado un número que siga algún criterio.[3] Este tipo de variables se describen por medio de una función real
Una variable aleatoria X es una función definida sobre el espacio de variable real, a la que se le denomina función de densidad, que
muestral ω (conjunto de todos los resultados de un experimento surge como la generalización de las curvas de frecuencias asociadas
aleatorio) que toma valores en el cuerpo de los números reales <. a los histogramas, cuando la amplitud de lso intervalos se considera
infinitamente pequeña.[3]
(1) X : Ω −→ <
Se denomina función de densidad de una variable aleatoria X a
una función real f (x) no negativa tal que
V. VARIABLES A LEATORIAS D ISCRETAS
Z +∞
Una variable aleatoria es discreta si toma un número de valores
finito o infinito numerable. Estas variables corresponden a experi- (6) f (x)dx = 1
−∞
mentos en los que se cuenta el número de veces que ha ocurrido un
suceso.[3] de forma que es posible calcular la probabilidad de que X tome
Para la descripción de una variable aleatoria discreta, se especifican valores en un cierta intervalo [a,b],
los posibles valores de la variable con sus respectivas probabilidades.
Sea X una variable aleatoria que toma valores x1 , x2 , ...., xn , ... Se Z b
entiende por P (X = xi ) a la probabilidad del suceso (7) P (a < X < b) = f (x)dx
a
(2) X −1 (xi ) = ω ∈ Ω : X(ω) = xi = A ∈ Q
La función de distribución de X se define igual que para variables
La tabla formada por los valores que toma la variable junto con discretas. Viene dada por F (x) = P (X ≤ x), la forma de acumular
sus probabilidades, recibe el nombre de distribución o función de probabilidades esta ahora asociaa a acumular áreas de la función de
probabilidad de la variable. En muchos casos se desea conocer densidad
con qué probabilidad una variable aleatoria toma valores que no Z x
sobrepasan un determinado número real x,es decir, la probabilidad (8) F (x) = f (t)dt
acumulada de que la variable tome valores inferiores a ese x [3]. −∞
La función de distribución de una variable aleatoria discreta X esta
definida por: Basandose en el teorema Fundamental del Cálculo, se puede obtener
X la función de densidad a partir de la distribución
(3) F (x) = P (X ≤ x) = P (X = xi )
xi ≤x
(9) f (x) = F 0 (x)
A. Esperanza Matemática y Varianza B. Distribuciones continuas
El valor esperado o varianza de una variable aleatoria continua 1) Distribución uniforme continua: Una variable aleatoria
esta definido por continua X que toma valores dentro de un intervalo de números
Z +∞ reales sigue una distribución uniforme cuando la probabilidad de
que la variable tome valores en cualquier subintervalo del mismo,
(10) µ = E(X) = xf (x)dx es porporcional a la longitud de dicho subintervalo, con lo que la
−∞
probabilidad aosicada a dos subintervalos de igual longitud es la
donde f (x) es la función de densidad de la variable aleatoria X. De misma [3]. La función de densidad es
forma similar la varianza esta dada por  1
si x ∈ [a, b]
Z +∞ (20) f (x) = b−a
2 0 enelresto
(11) σX = x2 f (x)dx − µ2
−∞
La función de distribución es
0 si x < a
(
VII. M ODELOS P ROBABILISTICOS x−a
(21) F (x) = b−a
si x ∈ [a, b]
A menudo al realizar el estudio de variables aleatoria distintas, 1 si x > b
asociadas a experimentos aleatorios diferentes, se puede observar que
las distribuciones de probabilidad son similares las unas con otras. Es La probabilidad en cualquier subintervalo [xi , x2 ] ⊆ [a, b] esta dada
por este hecho que se pueden considerar modelos de distribuciones por
de probabilidad, aplicables en situaciones reales. Ante una situación
real, el observador es el responsable de decidir qué modelo teórico Z x2
1 x2 − x1
es el adecuado para describir el problema[3]. (22) P (x1 ≤ X ≤ x2 ) = dx =
x1 b − a b−a
La media y varianza esta dada por
A. Distribuciones Discretas
1) Distribución uniforme discreta: Una variable aleatoria a+b (a − b)2
discreta X que toma n valores enteros equiprobables recibe el nombre (23) µ= σ2 =
2 12
de distribució uniforme discreta. Las probabilidades asociadas serán
VII-2. 2) Distribución normal: Es la más importante de
1 todos los modelos probabilisticos, pues su aplicación se extiende
(12) P (X = k) = para todo k ∈ 1, 2, ..., n
n a numerosos campos de la naturaleza, industria, economı́a, etc.
Tiene su origen en la modelización de la distribución de frecuencias
La esperanza y varianza son relativas de errores cometidos al efectuar repetidas veces una
n+1 n2 − 1 medición [3].
(13) µ= σ2 =
2 12 Una variable continua X se dice que tiene una distribución normar
2) Distribución de Bernoulli: Se considera un experimento de media µ y desviación tı́pica σ y se representa por X N (µ, σ) si
aleatorio que admite solo dos resultados posibles excluyentes: éxito puede tomar cualquier valor de los números reales y su función de
con probabilidad P (A) = p y fracaso con probabilidad P (Ac ) = densidad es
1 − p = q. La realización de un experimento con estas caracterı́sticas 1 1 (x−µ)
2

recibe el nombre de prueba de Bernoulli. La función de probabilidad (24) f (x) = √ e− 2 σ 2

viene dad por σ 2π
La tipificación de una variable normal de parámetro µ y σ, da lugar
(14) P (X = k) = pk q 1−k para k = 0, 1 a otra variable normal, ésta, de media 0 y desviación tı́pica 1. Si una
La media y varianza son variable X es N (µ, σ), la nueva variable es
X −µ
(15) µ=p σ 2 = pq (25) Z=
σ
3) Distribución Binomial: Para este tipo de distribución se A la variable Z se le denomina variable tipificada de X y a la curva
supone la realización de n pruebas de Bernoulli independientes, donde
la probabilidad de éxito, p, es la misma en todas las pruebas. A la de su función de densidad curva normal estándar o tipificada.
variable aleatoria discreta se la denomina variable aleatoria binomial
de parámetros n y p. Los valores que toma la variable X son los Por zα se representa el valor de la abcisa que tiene a la derecha
éxitos que se pueden producir cuando se repite el mismo experimento un área bajo la curva norma igual a α, es decir
n veces [3]. La función de probabilidad de esta variable será (26) P (Z ≥ zα ) = α
 
n
(16) P (X = k) = k pk q n−k para k = 0, 1, 2, ..., n Normalmente, solo existen en tablas de valores de Z positivos. Para
valores de Z menores que cero, debido a la simetrı́a se tendrá en
cuenta que si −zα ≥ 0, entonces
Su media y varianza estan dadas por
(27) P (Z ≤ −zα ) = P (Z ≥ zα )
(17) µ = np σ 2 = npq
VII-1. Distribución de Poisson: En este tipo de modelo VIII. C ONCLUSIONES
probabilistico se utiliza para describir el número de veces que ocurre
un determinado suceso a lo largo de una unidad de tiempo, área, • Los principales parámetros para esta macro son el insertar tabla,
volumen, etc. La distribución de probabilidad de Poisson sigue un tabulaciones y arreglos dentro de un documento tipográfico.
parámetro λ que puede tomar valores enteros con probabilidades de • Cada parámetro tiene sus elementos que son útiles para la crea-
ción de documentos de distinto tipo y en distintas situaciones.
λk −k • La ayuda del asistente puede ser aplicada en distintos campos y
(18) P (X = k) = e para k = 0, 1, 2, ..., n para utilizar los distintos tipos de documentos que proprociona
k! Látex.
Su varianza y media esta dado por • La utilización de esta macro es importante para usuarios que
desconozcan el software Látex y es de gran ayuda en la
(19) µ=λ σ2 = λ composición de documentos cientifı́cos, educativos, entre otros.
 T RABAJOS FUTUROS
Realizar una investigación para determinar los variados sı́mbolos
que proporciona Latex para la redacción de documentos, establecer
los diferentes grupos en los que se clasifican para definir su aplica-
ción mas eventual dentro de los tipos de documentos. Estudiar los
sı́mbolos comando y su forma de declaración dentro del software
editor Texmaker.

R EFERENCIAS
[1] J.L, Devore, “Probabilidad y estadı́stica para Ingenieria y Cien-
cias,Séptima Edición.D.F., México, 2008.
[2] S.M. Ross,“Introducción a la Estadı́stica, Segunda Edición. Madrid,
España: Editorial Reverté, 2005.
[3] Inmaculada de las Peñas Cabrera, “Variables aleatorias,
Departamento de Matemáticas Aplicada, [En lı́ne]. Disponible
en:webpersonal.uma.es/ĩpcabrera/resumen aleatorias.pdf
[4] G. Cui, X. Yu and S. Iommelli, Exact Distribution for the Product of
Two Correlated Gaussian Random Variables, IEEE Signal Processing
Letters, vol. 23, pp. 1662-1666, Nov. 2016.
[5] Y. Chen, G. Karagiannidis and H. Lu, Novel Approximations to the
Statistics of Products of Independent Random Variables and Their Ap-
plications in Wireless Communications, IEEE Transactions on Vehicular
Technology, vol. 61, pp. 443-454, Feb. 2012.