Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Curso M8
Curso M8
8 Statistic toolbox
MATLAB provee en este toolbox, un conjunto de funciones o archivos-m, que permiten desarrollar
con facilidad el estudio y anlisis de un curso de estadstica de primer grado de Ingeniera o
Ciencias !n este apunte conoceremos los siguientes t"picos#
$istri%uciones de &ro%a%ilidad
'unci"n de densidad de pro%a%ilidad,
distri%uci"n acumulada, etc
Modelos lineales y no lineales
M(ltiples regresiones lineales, ajuste no lineal,
predicci"n no lineal, etc
!stadistica mutivaria%le
Anlisis por componentes principales, anlisis
discriminante, etc
)rficos estadisticos y control
Control de grficos de distri%uciones normales,
ajuste de curvas, etc
8.1 Distribuciones de probabilidad
La naturale*a de un e+perimento esta%lece la distri%uci"n de pro%a%ilidad, que puede ser adecuada
para modelar la ocurrencia de determinados fen"menos !stas distri%uciones pueden ser continuas o
discretas
8.1.1 Funcin de densidad de probabilidad (pdf)
&ara distri%uciones discretas, la pdf nos entrega la pro%a%ilidad de ocurrencia de un particular
resultado !n cam%io, para distri%uciones continuas, la pro%a%ilidad de o%servar cualquier valor es
nula Aqu la pro%a%ilidad se o%tiene al integrar la pdf so%re el intervalo de inter,s
!jemplo# $istri%uci"n %inomial, p=0.5, x=[0,10].
p q
x n x
n
x
n
x I q p
x
n
p n x f y
n
x x
=
= =
- ,
./ 0 /
/
. 0 . , 1 0
. ,, - , 2 0
. - 0
x=0:10;
y=binopdf(x,10,0.5);
plot(x,y,'o');
Escuela de Ingeniera Civil, Universidad del Bio-Bio, eptiembre del !"""
-23
Introduccin a Matlab, un enfoque a la simulacin y visualizacin dinmica.
!jemplo# $istri%uci"n c4i5cuadrado#
6
. 6 7 0 6
. 1 0
6 7
6 7 6 7 . 6 0
v
e x
v x f y
v
x v
= =
x=0:0.5:15;
y=chi2pdf(x,4);
plot(x,y,'-o');
!jemplo# $istri%uci"n uniforme discreta 8e utili*a distri%uci"n acumulada 0cdf. N=10
. 0
-
. 1 0
. ,, - 0
x I
#
# x f y
#
= =
x=0:10;
y=nidcdf(x,10);
!t"i#!(x,y)
!$t(%c",'&li'',[0 11]);
( n=nid#nd(10,1,4)
n =
10 ) 2 5
Aqu, de los n(meros del - al -2, escojo en
forma aleatoria uniforme, un vector de - + 3
!jemplo# $istri%uci"n de &oisson =5
. 0
/
. 1 0
. , - , 2 0
x I e
x
x f y
$
x
= =
x=0:15;
y=poi!!pdf(x,5);
plot(x,y,'*');
!$t(%c", '+li'', [0 0.2]);
Escuela de Ingeniera Civil, Universidad del Bio-Bio, eptiembre del !"""
-29
Introduccin a Matlab, un enfoque a la simulacin y visualizacin dinmica.
!jemplo# $istri%uci"n 8tudent:s ,=5.
6
-
6
-
- -
6
6
-
. 1 0
+
= =
v
v
x
x
v
v
v x f y
x=-5:0.1:5;
y=tpdf(x,5);
-=no#'pdf(x,0,1);
plot(x,y,'-',x,-,'-.');
Comparaci"n con la distri%uci"n normal
8.1.2 Funcin distribucin acumulada (cdf)
La funci"n de distri%uci"n acumulada, se define so%re la funci"n de densidad de pro%a%ilidad f,
como sigue#
= =
%
dt t f x % & x ' . 0 . 0 . 0
As, la cdf de una valor x, '(x), es la pro%a%ilidad de o%servar cualquier resultado menor o igual que
x Luego '(x) est entre 2 y -
!jemplo $istri%uci"n acumulada de la distri%uci"n normal *edia nula, desviaci+n ,-
6
6
6
. 0
6
-
. , 1 0
= =
x
e x f y
x=-.:0.05:.;
y=no#'pdf(x,0,1);
-=no#'cdf(x(1:i),0,1);
plot(x,y,'-.',x,-,'-');
!$t(%c",'+li'', [0 1.1]);
Escuela de Ingeniera Civil, Universidad del Bio-Bio, eptiembre del !"""
-2;
Introduccin a Matlab, un enfoque a la simulacin y visualizacin dinmica.
8.1.3 Generacin de nmeros aleatorios
Conocemos las primitivas #"nd y #"ndn para generar n(meros aleatorios desde distri%uciones
uniforme y normal respectivamente A4ora, mediante el tool%o+ de estadstica, podemos generar
este tipo de n(meros seg(n una distri%uci"n en particular
!jemplo# <(meros aleatorios de distri%uci"n e+ponencial *edia..!-
x
e x f y
= =
-
. 1 0
x=0:0.1:10;
y=$xppdf(x,2);
n=$xp#nd(2,1,100);
!bplot(211),plot(x,y);
!bplot(212),plot(n,'.');
2-'$"n(n)
$el ejemplo vemos la distri%uci"n
e+ponencial, con media=6 Lo anterior se
aprecia en el grfico de n(meros aleatorios
/=$xp#nd(2,.,4)
/ =
1.2150 1.4211 1.)022 0.2.0.
2.)1.5 0.2422 2.)412 0.5100
1.204) 10.2202 2.1000 0.0...
( '$"n('$"n(/))
"n! =
2.2220
8.2 Modelos lineales y no lineales
$iversos fen"menos pueden ser modelados como dinmicas de comportamiento lineal o no lineal
&ara estos modelos, es necesario determinar sus parmetros a partir de las mediciones de dic4os
fen"menos, tarea denominada regresi"n
8.2.1 Modelo lineal
>n modelo lineal posee la siguiente estructura#
+ = % y
, donde
y ?ector de mediciones de n por ,
& Matri* de dise@o de n por p
+ + +
=
$onde son los parmetros desconocidos y + son las
varia%les de entrada y que por supuesto no estn en
relaci"n lineal
MATLAB provee de la funci"n nlinfit, para estimar en el sentido del mnimo error cuadrtico medio,
los parmetros del modelo Tal funci"n opera seg(n el algoritmo de )auss5<eLton, con ciertas
modificaciones en la convergencia
lo"d #$"ction 4b$t" 'od$l
5ho!
4"6!t$ p"#"'7t#ico
[b$t"$,8,9]=nlinfit(#$"ct"nt!,#"t$,...
'ho%$n',b$t");
4int$#,"lo d$ confi"n-"
b$t"ic=nlp"#ci(b$t"$,8,9);
4p#$dicci:n
[y$,d$lt"]=nlp#$dci('ho%$n',#$"ct"nt!,...
b$t"$,8,9);
4;i
nlintool(#$"ct"nt!,#"t$,'ho%$n',...
b$t",0.01,xn,yn);
Asi como se reali*" el cculo de parmetros, del
intervalo de confian*a y la predici"n de las varia%les
mediante nlinfit, nlp"#ci y nlp#$dci respectivamente,
podemos determinar el modelo no lineal a partir de la
)>I ejecutada por nlintool. $e%emos notar que la
varia%le #$"ction y la funci"n ho%$n, proveen de los
datos necesarios
Escuela de Ingeniera Civil, Universidad del Bio-Bio, eptiembre del !"""
--2