Probabilidades (EST219)

Tema 05 Proceso Gaussiano

María Luisa Montero D.

Distribución Normal

Si la función de densidad de una variable aleatoria

continua X está dada por:
1 
1
x  2
f X ( x)  e 22

2 2
x  /R,   /R,  > 0
Entonces, se dice que X sigue una distribución
Normal con parámetros  y 2
Notación: X ~ N(,2)
donde: E[ X ]   X  
Var ( X )   2X  2

La gráfica de la función de densidad es una curva

simétrica (campana de Gauss) centrada en  como se
muestra a continuación:
f(x)

La dispersión esta determinada

por  en el sentido que la mayor
parte del área bajo la curva
(99.73% del área total) está entre
-3 y +3
x


Así, si X tiene una distribución Normal con media  = 25 y

desviación estándar  = 2 hay 0.9973 de probabilidad de que el
valor observado de X esté entre 19 y 31.

1
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Distribución Normal Estándar

Si  = 0 y  = 1, entonces la distribución se llama

Normal estándar.

Por lo general, se denota:

Z ~ N(0,1)
Nota: Para esta distribución existen tablas con los valores de la
función de distribución: (z) = P( Z  z ).

Tabla Normal Estándar

(z)
es decir:
(z) = P(Z  z)
0 z

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524

… … …

3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995

3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997

4.0 0.99997 0.99997 0.99997 0.99997 0.99997 0.99997 0.99998 0.99998 0.99998 0.99998

2
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Propiedades de la Distribución Normal

1. Propiedad de Linealidad

Sea X ~ N(,2) y definimos la variable aleatoria:

Y=a+bX
entonces:

Y ~ N (a  b , b 2 2 )

• Aplicación: Toda variable que siga una distribución

normal se puede transformar en una variable con
distribución normal estándar. Es decir:

X 
Si: X ~ N(,2)  Z  ~ N(0,1)

Por lo tanto:
Se puede
x hallar con
P ( X  x)  P ( Z  ) tablas


3
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Ejemplo:
Si X ~ N( = 5, 2 = 2), hallar:

a) P( 3 < X < 5 )

b) El valor de x, tal que: P( X ≥ x ) = 0.05

2. Propiedad Reproductiva:

Si X1, X2, …, Xn son n variables aleatorias

independientes, donde cada:

X i ~ N ( i ,  i2 )
entonces:
n
 n

Y  c0  ci Xi ~ N c0  cii , ci2i2 
i1  i1 i1 

siendo: c0 , c1, …, cn constantes arbitrarias.

4
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Ejemplo 1:
Si X1 ~ N( = 30, 2 = 10), X2 ~ N( = 25, 2 = 9),
X3 ~ N( = 20, 2 = 3), son 3 variables independientes,
hallar la distribución de W = X1 – 2 X2 + X3

Ejemplo 2:
Si X1, X2, …, Xn son n variables aleatorias
independientes con distribución N( = 5, 2 = 2.25)
hallar la distribución de X

3. Teorema del Límite Central (TLC):

Si X1, X2, …, Xn son n variables aleatorias
independientes, donde cada Xi tiene la misma
distribución de media  y varianza 2, entonces para n
suficientemente grande (en la práctica n  30) se cumple
que aproximadamente:
n

X
i 1
i ~ N (n, n2 )

X i  n
X 
 Zn  i 1
 ~ N (0,1)
n 2 
n

5
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Ejemplo 1:

Una fuente, inicialmente sin voltaje, recibe 100 cargas,

las cuales pueden ser consideradas como variables
aleatorias independientes de igual distribución, con una
media de 5 voltios y una desviación estándar de ½
voltio.

Hallar la probabilidad de que el voltaje total acumulado

exceda los 510 voltios (capacidad máxima).

Ejemplo 2:

Si X ~ B(n=50, p=0.5), utilizar el teorema del límite

central para hallar aproximadamente la probabilidad de
que X se encuentre entre 30 y 40

Nota: Corrección por continuidad: Si a  b son dos números

naturales, entonces aproximadamente:

 1 1
P ( a  X  b)  P  a   X  b  
 2 2

6
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Distribución Normal Multivariada

Se dice que el vector aleatorio (X1, …, Xn) tiene distribución

normal (o gaussiana) multivariada, si (x1, …, xn) /Rn , su
función de densidad conjunta es:

1  1 
f X 1 , ... , X n ( x1 , ..., xn )  exp  ( x -  ) t  1 ( x -  )
 2 
n 1
(2 ) 2 (det ) 2

donde:
• ∑ es la matriz de varianza – covarianzas:
  12 cov( X 1 , X 2 ) ... cov( X 1 , X n ) 
 
 cov( X 2 , X 1 ) 2 2
... cov( X 2 , X n ) 
(cov( X i , X j )) n n   
 . . . . 
 cov( X , X )  2 
 n 1 ... cov( X n , X n 1 ) n 

 x1   1 
   
• x y μ son los vectores:  .   . 
x    
. .
   
x   
 n  n
con  j  E( X j ) y  2j  V( X j ) , para j = 1, … , n

7
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Distribución Normal Bivariada

En particular, para n = 2, sea (X,Y) un vector aleatorio

continuo. Se dice que (X,Y) tiene una distribución
normal bivariada, que se denota por:

( X , Y ) ~ N 2 ( X , Y ,  2X , Y2 ,  XY )

si su función de densidad conjunta es:

  x   
2
 x  X  y Y   y Y 
2  
 1
 

X
  2        
2  
1  2 (1  )     X  Y   Y  
f ( x, y )  
X
e
2 X Y 1  2XY

 (x, y)  /R2

Propiedades
1. Si el vector (X1, …, Xn) tiene distribución normal
multivariada,
 cada Xi tiene distribución normal, i = 1, 2, …, n

En particular:
Si ( X , Y ) ~ N 2 ( X , Y ,  2X , Y2 ,  XY ) ,  las distribuciones
marginales de X e Y son distribuciones normales:

• X ~ N ( X ,  2X )

• Y ~ N (Y , Y2 )

8
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

2. Sean X1, …, Xn n variables aleatorias continuas que

cumplen:
• X1, …, Xn son independientes

• X j ~ N ( j , j ) j  1,  , n
2

 el vector (X1, …, Xn) sigue una distribución normal

multivariada

3. Si (X1, …, Xn) tiene distribución normal multivariada:

X 1 , ... , X n son independientes  cov( X i , X j )  0 i  j

En particular: Si ( X , Y ) ~ N 2 ( X , Y ,  2X , Y2 ,  XY )

XY = 0  X e Y son variables independientes

(Recordar que esta propiedad no se cumple en otros casos)

9
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

4. Si (X,Y) tiene distribución normal bivariada, entonces

las distribuciones condicionales de X (dado Y=y) y de
Y (dado X=x) son distribuciones normales:

  
• X | (Y  y ) ~ N   X   XY X ( y  Y ),  X (1   XY ) 
2 2

  Y 

  
• Y | ( X  x ) ~ N  Y   XY Y ( x   X ), Y2 (1   2XY ) 
 X 

5. El vector (X1, …, Xn) sigue una distribución normal

multivariada si y sólo si:

 a1, a2, …, an (con algún aj  0) :se cumple que:

a1X1 + a2X2 + … + anXn sigue una distribución normal

10
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Ejemplo 1: Sea (X, Y) una variable aleatoria bidimensional normal,

con vector de medias (  X , Y )  (0, 1)
 4 0
y matriz de covarianzas:  
0 1

a) Calcule la probabilidad de que 2X – Y sea positivo

b) Calcule la función de distribución de T = mín(X, Y) en función de

z
1 t 2
 ( z) 
2 e

2
dt

c) Calcule la función de densidad de T

Ejemplo 2: El estadístico Karl Pearson estudió la relación entre la

altura del padre (X) y la de su hijo (Y) tomando 1078 casos de
padres con uno o dos hijos (datos de 1903) y observó que la
distribución conjunta de (X, Y) se ajustaba bien a una normal
bidimensional de parámetros: X= 172 cms. Y = 174.4 cms.
ρ = 0.51 X= 6.91 cms. Y = 6.98 cms.
a) Si se elige una familia al azar, calcular la probabilidad de que la
altura del hijo supere en 5 cms. la del padre
b) Calcular la probabilidad de que la altura de un hijo supere los
180 cms. si su padre mide 176 cms.
c) Si un padre mide 178 cm. ¿Cuál es la altura esperada de su
hijo?

11
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

El Proceso Gaussiano

Definición: El proceso estocástico X t ; t  T  es un proceso

gaussiano si cualquier número finito de variables de este
proceso tiene distribución conjunta gaussiana.

Nota: De acuerdo a la definición de distribución normal multivariada, este

proceso queda completamente definido por las medias y las covarianzas
de las variables, es decir por las funciones media y autocorrelación del
proceso.

Ejemplo: Sean Z ~ N (0, 1) y X t  Z cos t, para cada t  0 .

Entonces el proceso estocástico X t ; t  0 es un proceso gaussiano

Solución:
Sean X t1 , X t 2 , X t n un conjunto finito de variables del proceso:X t ; t  0

Sean a1, a2, …, an números reales, tal que existe aj  0

Sea W la v.a. tal que: W  a1 X t1    an X tn

12
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

 W  a1 Z cos t1    an Z cos t n  ( a1 cos t1    an cos t n ) Z

 W sigue una distribución normal (por la propiedad de linealidad)

 El vector ( X t1 , X t 2 ,  X t n ) sigue una distribución normal multivariada

(por la propiedad 5)

 X t ; t  0 es un proceso gaussiano (por definición)

El Proceso Estocástico de Wiener o de

Movimiento Browniano
El proceso estocástico Wt ; t  R es un proceso de Wiener o
de movimiento browniano, si satisface las sgtes. propiedades:
• W0 = 0W
• E[Wt] = 0 tW
• Es un proceso de incrementos estacionarios con
distribución Normal, es decir:
  > 0 /  t1  t 2 : Wt  Wt ~ N (0,  (t 2  t1 ))
2
2 1

 las variaciones entre instantes cercanos son “pequeñas”

• Es un proceso de incrementos independientes, es decir:
 t0  t1  t2    tn :
Wt1  Wt 0 ,Wt 2  Wt1 , ,Wt n  Wt n 1 son independientes

13
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.

Este proceso describe el movimiento de pequeñas partículas

inmersas en un líquido o gas, también es útil para modelar el
ruido de interferencia
Propiedades
Se puede demostrar que:
1. Para todo t : Wt ~ N ( 0,  2t )
2. La función de autocorrelación del proceso está dada por:
  2 mín t1 , t 2  si t1 t 2  0
R(t1 , t 2 )  
0 si t1 t 2  0
 a medida que transcurre el tiempo existe mayor variabilidad

3. Wt ; t  R es un proceso gaussiano

14