Introduccin a Matlab, un enfoque a la simulacin y visualizacin dinmica.

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

?ector de parmetros de p por ,

?ector de pertur%aci"n aleatoria de n por ,

!jemplo# Anlisis de varian*a en un sentido 0A<A?A -.
Escuela de Ingeniera Civil, Universidad del Bio-Bio, eptiembre del !"""
-2B
Introduccin a Matlab, un enfoque a la simulacin y visualizacin dinmica.
!l prop"sito de A<A?A es determinar, a partir de muc4os conjuntos de datos, la tendencia a tener
tienen media com(n !l modelo es un caso especial del lineal#
i/ / i/
y + =
$onde /

es una matri* donde cada columna es un grupo

de medidas
/
indica la aplicaci"n por parte de alfa de
todas la filas de la columna /
!l ejemplo anali*a la cantidad de %acteria en cartones de lec4e despac4ados La matri* de datos es
4ogg Cada columna representa los despac4os Cada fila es la cantidad de %acterias encontradas en
cartones de lec4e aleatoriamente elegidos La pregunta de relaci"n es# Calgunos envos tienen
cantidad de %acterias mas altas que otrosD
lo"d ho%%
p="no,"1(ho%%);
3=ho%%;
p =
1.1011$-004
( 3
3 =
24 14 11 1 10
15 1 0 1 24
21 12 1 4 10
21 11 1. 1 15
.. 14 12 12 10
2. 12 1) 1) 20
As, dado que el valor de p es muy %ajo,
se tiene los diversos despac4os de lec4e
poseen una cantidad %acteriana muy
distinta
La ta%la A<A?A muestra en sus
columnas, la suma de los cuadrados
(), grados de li%ertad (df), media de
los cuadrados (*.0df) y '
estadstica
&ara asegurarnos del valor del p, es decir, que las
medias son muy diferentes, es %ueno o%servar el
grfico de cajas, donde se muestra la tendencia de la
media <o 4ay solapamiento <i alineamiento
!jemplo# Eegresi"n lineal m(ltiple
Escuela de Ingeniera Civil, Universidad del Bio-Bio, eptiembre del !"""
-2F
Introduccin a Matlab, un enfoque a la simulacin y visualizacin dinmica.
!l prop"sito de este anlisis es esta%lecer una relaci"n cuantitativa entre los grupos de varia%les del
predictor 0columnas de G. y las varia%les medidas Lo anterior es (til para conocer, entre otros
aspectos# Cqu, predictor tiene mas efectoD, la tendencia del efecto y por supuesto, para predecir
futuros valores
La soluci"n en el sentido de mnimos cuadrados es#
( ) y % % % b
1 1
-
= =
( ) y 2 I y y r = = H
2y %b y = = H
( )
1 1
% % % 2
-
=
donde r es el error de predici"n o residuo Al utili*ar esta soluci"n, 4emos supuesto que la
perur%aci"n posee distri%uci"n normal de media nula y varian*a constante
lo"d 'oo#$
d=!i-$('oo#$,1);
&=[on$!(d,1), 'oo#$(:,1:5)];
y='oo#$(:,2);
[b,bint,#,#int,!t"t!]=#$%#$!!(y,&);
#coplot(#,#int);
( !t"t!
!t"t! =
0.)101 11.0))2 0.0001
&ara esta%lecer la matri* del predictor, se
inserta una columna de unos que indica que
la columna de datos tendr 9 vectores en el
predictor La regresi"n en t,rminos del error
cuadrtico la esta%lece regress !ste entrega
adems del parmetro , el vector residual
r, y el eintervalo de confian*a para los
parmetros# %int y para el error rint
!s la varia%le stats0-. se tiene el valor de E6
estadistica, lo que nos indica que un F-I de
varia%ilidad en las o%servaciones
stast06. y stats0J. nos indican que los parmetros
distan %astante de ser nulos
!l grfico muestra el error residual para cada una
de las mediciones o casos La %arra indica en
K9I intervalo de confian*a en torno a dic4o
error
8.2.2 Modelo no lineal
>n modelo no lineal posee la siguiente estructura general#
+ = . , 0 % f y
, donde
Escuela de Ingeniera Civil, Universidad del Bio-Bio, eptiembre del !"""
-2K
Introduccin a Matlab, un enfoque a la simulacin y visualizacin dinmica.
y ?ector de mediciones de orden n por ,
f
'unci"n de G y
& Matri* de dise@o de orden n por p

?ector de parmetros desconocidos de orden p por ,

?ector de pertur%aci"n aleatoria de orden n por ,

!jemplo# Consideremos el siguiente modelo para reacciones cin,ticas en un determinado
proceso#
3 3 6 J - -
J J 6 -
-
7
x x x
x x

+ + +

=
$onde son los parmetros desconocidos y + son las
varia%les de entrada y que por supuesto no estn en
relaci"n lineal
MATLAB provee de la funci"n nlinfit, para estimar en el sentido del mnimo error cuadrtico medio,
los parmetros del modelo Tal funci"n opera seg(n el algoritmo de )auss5<eLton, con ciertas
modificaciones en la convergencia
lo"d #$"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