Professional Documents
Culture Documents
Un
paso
previo
a
la
obtención
de
una
función
de
distribución
es
la
generación
de
un
histograma
a
par0r
del
conjunto
de
datos.
En
Matlab:
La
función
hist(data,x)
genera
un
histograma
de
los
datos
en
las
posiciones
dadas
por
el
vector
x(
),
o
dicho
de
otra
forma:
agrupa”
los
datos
del
vector
data(
)
en
un
número
de
grupos
igual
a
length(x).
Cada
uno
de
estos
grupos
está
centrado
en
el
correspondiente
valor
de
x(
)
y
nos
da
información
de
como
se
distribuyen
los
datos
almacenados
en
data()
en
los
dis0ntos
grupos
definidos
por
x()
data(
)
con0ene:
4
veces
el
número
1
4
veces
el
número
2
3
veces
el
número
3
5
veces
el
número
4
3
veces
el
número
5
2
veces
el
número
6
1
2)
Funciones
de
distribución
de
probabilidad.
Histogramas.
Ejemplo
ilustra>vo:
U0lizando
los
datos
de
precipitación
del
ejercicio
anterior:
rES
=
[50
48
55
44
47
13
8
18
39
78
60
55]
(mm
lluvia
promedio
por
mes
en
España)
rMA
=
[62
42
70
35
35
4
1
3
32
94
71
56]
]
(mm
lluvia
promedio
por
mes
en
Madrid)
rLO
=
[58
39
51
49
54
53
48
56
58
62
61
63]
(mm
lluvia
promediopor
mes
en
Londres)
Se
pide:
pintar
un
histograma
para
cada
conjunto
de
datos,
u0lizando
intervalos
de
medida
de
precipitación
definidos
por
x=0:20:80,para
obtener
una
figura
similar
a
la
que
se
incluye
debajo.
2
2)
Funciones
de
distribución
de
probabilidad.
Histogramas.
La
función
de
distribuión
de
probabilidad
se
puede
obtener
normalizando
el
histograma.
Así,
para
una
variable
discreta,
normalizar
corresponde
a
dividir
por
el
número
total
de
datos.
Para
una
variable
con0nua
x,
definida
en
un
intervalo
[xmin,
xmax]
,
la
función
distribución
correspondiente
p(x)
debe
sa0sfacer:
(nótese
que
imponer
esta
condición
es
equivalente
a
imponer
la
condición
obvia
de
que
la
probabilidad
de
que
la
variable
esté
en
el
intervalo
en
el
que
puede
tomar
valores
es
igual
a
1)
Ejemplo ilustra>vo:
(Nota:
68%
y
95%
de
las
observaciones
estarán
dentro
de
1σ
y
2σ,
respec0vamente)
Ejercicio
para
hacer
en
clase
(Parte
1):
1. U0liza
la
función
randn() para
generar
un
conjunto
aleatorio
de
N
datos
centrados
en
x=0
y
con
desviación
estándar
σ=1.
2. Crea un histograma a par0r de los datos obtenidos en el apartado anterior.
3.
Normaliza
el
histograma
obtenido
en
el
apartado
anterior
para
obtener
la
función
de
probabilidad.
Compara
gráficamente
el
resultado
obtenido
con
la
expresión
analí0ca
correspondiente.
4. Usar
la
función
randn() para
generar
un
conjunto
N
de
números
aleatorios
distribuidos
uniformemente
en
el
intervalo
[0,1]
y
repe0r
los
apartados
1-‐3.
4
2)
Funciones
de
distribución
de
probabilidad.
Histogramas.
Ejercicio
para
hacer
en
clase
(Parte
2):
Hacer
una
gráfica
de
la
distribución
de
probabilidad
Gaussiana
normalizada
obtenida
en
la
parte
anterior
del
ejercicio
(
u0lizando
la
función
randn()
)
para
diferentes
valores
del
número
total
de
puntos
N
y
para
diferentes
valores
del
número
total
de
intervalos.
5
Generadores
de
números
aleatorios
en
MATLAB
que
sigan
una
distribución
de
probabilidad
uniforme:
rand(m,n):
genera
una
matriz
“m
x
n”
con
una
distribución
uniforme
de
números
aleatorios
en
el
intervalo
[0,1]:
randi():
randi(imax):
genera
un
entero
aleatorio
entre
0
y
imax
(distr.
uniforme)
randi(imax,n):
genera
una
matriz
“n
x
n”
y
la
llena
de
enteros
aleatorios
entre
0
y
imax.
randi([imin,
imax],n,m):
genera
una
matriz
“n
x
m”
con
números
enteros
aleatorios
distribuidos
en
el
intervalo
[imin,imax]
Ejemplo
de
uso:
>>
r
=
randi([-‐10
10],1,1000)
%
crea
una
matriz
de
número
enterso
aleatorios
que
siguen
una
distribución
uniforme
dentro
del
conjunto
de
números
enteros
[-‐10
-‐9
-‐8
….
8
9
10]
6
Introducción
al
método
de
Montecarlo.
El
método
de
Montecarlo
sirve
para
designar
a
un
0po
de
métodos
númericos
que
se
basa
en
el
muestreo
aleatorio
(“random
sampling”).
Como
ejemplo,
veamos
como
el
método
de
Montecarlo
se
puede
u0lizar
para
calcular
el
valor
del
número
π:
3.
El
porcentaje
de
los
puntos
que
están
dentro
de
la
zona
sombreada
con
respecto
a
todos
los
puntos
es
una
aproximación
a
π/4.
Ejemplo
de
código
en
matlab: