Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Simulacion
Simulacion
2010
Taller de Informtica I
2010
Taller de Informtica I
2010
En Matlab/Octave
En Matlab u Octave, hay funciones que generan nmeros pseudoaleatorios, en especial, una de ellas genera
nmeros con distribucin uniforme, tal como precisamos: rand
Podemos empezar por establecer una semilla, dado que de otro modo, se generar siempre la misma secuencia
de nmeros aleatorios. Para establecer la semilla se puede usar el reloj de la mquina:
Taller de Informtica I
2010
> rand('state',sum(100*clock))
Ahora podemos generar un vector de valores pseusoaleatorios con distribucin uniforme:
>u=rand(10000,1);
Podemos ver el histograma para chequear que la distribucin es uniforme
>hist(u);
Simular experimentos
Con la generacin de nmeros pseudoaleatorios podemos simular experimentos aleatorios como la tirada de un
dado o de una moneda. Tomemos el ejemplo de la moneda. Precisamos asociar los sucesos elementales
(cara/cruz) a intervalos disjuntos de (0,1). Por ejemplo cara ser asociado al intervalo (0, 0.5) y cruz al intervalo
(0.5, 1). As, cada nmero aleatorio se transforma en un suceso elemental, preservando la probabilidad de que
ocurra cada suceso. En este caso estamos diciendo que cara y cruz tienen la misma probabilidad. Podra no ser as
si consideramos intervalos diferentes
Con un simple programa podemos simular 100 tiradas de una moneda:
>rand('state',sum(100*clock));
>u=rand(100,1);
>v(1)=sum(u<=0.5)
>v(2)=sum(u>0.5)
>bar(v)
%genero la semilla
%realizo las 100 tiradas
%v(1)= caras
%v(2)= cecas
%vemos que la dist es uniforme
Taller de Informtica I
2010
v(3)= sum(dado1==3);
v(4)= sum( dado1==4);
v(5)= sum(dado1==5);
v(6)= sum(dado1==6);
%muestro en pantalla el vector
v
%imprimo las veces que sali cada nmero.
bar(v)
Mostrar que a medida que se aumenta la cantidad de veces que se tira el dado, se logra un resultado ms
uniforme.
Ejercicio: Probar con 1000 y 100000 tiradas
Ejercicio: Usando la funcin anterior, realizar un programa que arroje los valores de las tiradas de 2 dados
simultneamente una cantidad de veces. Realizar el histograma y ver como quedaron distribuidas las sumas
Ayuda:
Podemos usar un vector de 12 elementos (aunque sabemos que nunca la suma de ambos dados dar 1):
rand('state',sum(100*clock))
vector=zeros(12,1);
for i=1:100
dado1=roll_d;
dado2=roll_d;
vector(dado1+dado2)=vector(dado1+dado2)+1;
end
..(seguir)
Ejercicio: Probar con 1000 y 100000 tiradas
Taller de Informtica I
2010
Introduccin a la Probabilidad
Historia
El objetivo de la Estadstica es utilizar los datos para inferir sobre las caractersticas de una poblacin a la que no
podemos acceder de manera completa. Es decir, a partir de la muestra se infiere sobre la poblacin.
La Probabilidad es la disciplina cientfica que proporciona y estudia modelos para fenmenos aleatorios en los que
interviene el azar y sirve de soporte terico para la Estadstica.
La Teora de la Probabilidad surgi de los estudios realizados sobre los juegos de azar, y estos se remontan miles
de aos atrs. Como primeros trabajos con cierto formalismo cabe destacar los realizados por Cardano y Galilei
(siglo XVI), aunque las bases de esta teora fueron desarrolladas por Pascal y Fermat en el siglo XVII.
De ah en adelante grandes cientficos han contribuido al desarrollo de la Probabilidad, como Bernouilli, Bayes,
Euler, Gauss,... en los siglos XVIII y XIX. Ser a finales del siglo XIX y principios del XX cuando la Probabilidad
adquiera una mayor formalizacin matemtica, debido en gran medida a la llamada Escuela de San Petesburgo en
la que cabe destacar los estudios de Tchebychev, Markov y Liapunov.
Experimento Aleatorio
Antes hablamos de experimentos aleatorios. Vamos a formalizar un poco ms
Definimos experimento aleatorio como aquel que verifique ciertas condiciones que nos permitan un estudio
riguroso del mismo.
Llamamos experimento aleatorio al que satisface los siguientes requisitos:
Todos sus posibles resultados son conocidos de antemano.
El resultado particular de cada realizacin del experimento es imprevisible.
El experimento se puede repetir indefinidamente en condiciones idnticas.
El principal objetivo de un experimento aleatorio suele ser determinar con qu probabilidad ocurre cada uno de
los sucesos elementales. A continuacin daremos una de las definiciones ms manejadas para asignar
probabilidades a los sucesos.
Definicin de Laplace o Regla de Laplace:
El caso ms fcil es aqul en el que no tenemos razones para suponer que unos sucesos sean ms probables que
otros. Cuando, siendo el espacio muestral finito, todos los sucesos elementales tienen la misma probabilidad,
diremos que son equiprobables y podremos utilizar la conocida Regla de Laplace:
P(A) = casos favorables/casos posibles
Taller de Informtica I
2010
Entonces:
Ejercicio: Lanzamos dos dados y anotamos sus puntuaciones. Calcula la probabilidad de que:
a) Salga un nmero igual y par en cada dado.
b) Salgan nmeros menores que 5 en cada dado.
Ejercicio: Lanzamos tres monedas y anotamos los resultados. Calcula la probabilidad de que:
a) Salgan dos caras y una cruz.
b) Salgan tres caras.
Simulemos en Matlab la extraccin al azar 1000 veces una bola de una caja donde hay 10 bolas numeradas del 1
al 10, y guardamos los resultados en un vector (hacer algo parecido a lo realizado para los dados):
Taller de Informtica I
2010
La frecuencia absoluta es el nmero de veces que aparece la variable (en este caso el nmero 8) y eso lo tenemos
en el vector, en el lugar 8, o sea balls(8)=113
La frecuencia relativa se obtiene realizando el cociente entre la frecuencia absoluta y el tamao de la muestra. En
nuestro caso haramos balls/1000 y obtendramos:
La frecuencia relativa es ms o menos el mismo valor que la probabilidad, entonces la probabilidad de extraer un
7 es de 0.105
Ejercicio completo:
Supngase que se tiene un terreno de 100 m2 y se lo divide en cuadrados de 1m2
Se sabe que debajo de ese terreno hay agua pero no se sabe a qu profundidad. A su vez, el suelo es rocoso, de
modo que puede pasar que donde haya agua a menos profundidad sea ms difcil de cavar que donde sea ms
profundo. Todo este tema, se tiene estimado en dos vectores. Si bien hay mtodos para estimar la profundidad
del suelo, nosotros lo simularemos generando nmeros pseudoaleatorios de entre 25 y 55 que corresponden al
rango de profundidades que podemos hallar en metros. Con respecto a la dificultad para cavar lo que hacemos es
tirar un dado y su valor ser el grado de dificultad al cavar que se guardar en un segundo vector. O sea en un
vector prof tendremos la profundidad para cada metro cuadrado y en un vector dif se tendr por cada m2 la
dificultad de 1 a 6 para cavar. Generar estos vectores aleatoriamente.
a) Mostrar el histograma de profundidades y el histograma de dificultades
b) Qu probabilidades hay de cavar en un sitio poco profundo y con poco grado de dificultad? Se entiende
por sitio poco profundo si tiene menos de 32 metros y poco dificultoso si el grado de dificultad es menor
a 3.