Matlab PDF

Esta obra esta bajo una licencia reconocimiento-no comercial 2.
5 Colombia de
creativecommons. Para ver una copia de esta licencia, visite
http://creativecommons.org/licenses/by/2.5/co/ o envi una carta a
creative commons, 171second street, suite 30 San Francisco, California
94105, USA
ANALISIS ESTADISTICO EN
MATLAB
Autores:
CRISTIAN GERARDO GIL SANCHEZ
MILLER GIOVANNY FRANCO LEMUS
Director Unidad Informtica: Henry Martnez Sarmiento
Tutor Investigacin: lvaro Enrique Palacios
Coordinadores: Mara Alejandra Enrquez

Leydi Diana Rincn
Coordinador Servicios Web: Daniel Alejandro Ardila
Analista de Infraestructura
y Comunicaciones: Adelaida Amaya
Analista de Sistemas de
Informacin: lvaro Palacios Villamil
Lder de Gestin de
Recurso Humano: Islena del Pilar Gonzlez
UNIVERSIDAD NACIONAL COLOMBIA

FACULTAD DE CIENCIAS ECONMICAS
UNIDAD DE INFORMTICA Y COMUNICACIONES
BOGOT D.C.
FEBRERO 2005
ANALISIS ESTADISTICO EN
MATLAB
Director Unidad Informtica: Henry Martnez Sarmiento
Tutor Investigacin: Maria Alejandra Enrquez G.
Auxiliares de Investigacin:
Adriana Lucia Castelblanco Liliana Paola Rincn
Alexis de Jess Moros Luis Alfonso Nieto
Andrs Ricardo Romero Luz Karina Ramos
Brayan Ricardo Rojas Maria Teresa Mayorga
Carlos Hernn Porras Martha Rubiela Guevara
Catherine Cruz Pinzn Miller Giovanny Franco
Cristian Gerardo Gil Nubia Yolima Cucarian
Daniel Alejandro Melo Rafael Leonardo Saavedra
Diana Patricia Garca Sandra Liliana Barrios
Diego Fernando Rubio Sandra Milena Cardenas
Edwin Montao Sandra Mnica Bautista
German David Riveros Sonia Janeth Ramrez
Guillermo Alberto Ariza Yaneth Adriana Can
Hctor Javier Corts Juan Felipe Rincn
Leydy Johana Poveda Leidy Viviana Avils
Este trabajo es resultado del esfuerzo de todo el equipo

perteneciente a la Unidad de Informtica.
Se prohbe la reproduccin parcial o total de este

documento, por cualquier tipo de mtodo fotomecnico y/o
electrnico, sin previa autorizacin de la Universidad
Nacional de Colombia.

BOGOT D.C.
DICIEMBRE 2005
ANALISIS ESTADISTICO EN MATLAB
TABLA DE CONTENIDO
TABLA DE CONTENIDO ................................................................................................................ 3
1. RESUMEN ................................................................................................................................ 5
2. ABSTRACT .............................................................................................................................. 5
3. INTRODUCCIN.................................................................................................................. 7
Objetivo ............................................................................................................................................... 7
Justificacin .......................................................................................................................................... 7
4. STATISTICS TOOLBOX ................................................................................................... 8
Estructura de funciones .................................................................................................................... 9
5. MANEJO DEL TOOLBOX ESTADISTICO ............................................................. 10
Estadstica Descriptiva ................................................................................................................... 11
5.1.1. Medidas de localizacin ............................................................................ 11
5.1.2. Medidas de dispersin ............................................................................... 17
5.1.3. Grupos de datos ............................................................................................ 29
6. GRFICAS EN TOOLBOX ESTADSTICO........................................................... 37
Introduccin ..................................................................................................................................... 38
Principales Funciones Utilizadas En Matlab Para Grficas ...................................................... 38
7. PROBABILIDAD ................................................................................................................ 63
Distribuciones De Probabilidad Discretas................................................................................. 63
7.1.1. Distribucin Binomial ................................................................................. 63
7.1.2. Distribucin Poisson.................................................................................... 68
7.1.3. Distribucin Hipergeometrica ............................................................... 74
Distribuciones De Probabilidad Continuas ............................................................................... 80
7.1.4. Distribucin Normal .................................................................................... 80

3
7.1.5. Distribucin Exponencial ......................................................................... 95
7.1.6. Distribucin Gamma ................................................................................. 103
7.1.7. Distribucin Chi-Cuadrado ...................................................... 111

2
7.1.8. Distribucin Beta ........................................................................................ 117
ANEXO 1 .......................................................................................................................................... 120

INNOVACIONES DE MATLAB 7 ................................................................................................ 120
NUEVAS CARACTERISTICAS .................................................................................................. 120
EDITOR AND DEBUGGER ....................................................................................................... 124
GRFICAS ...................................................................................................................................... 126

4
1. RESUMEN
Matlab es un software aplicativo que permite su utilizacin en diferentes

reas del conocimiento, adems permite la posibilidad de utilizar
Toolbox especializados que facilitan el trabajo y aumentan la
funcionalidad del programa, tal como es el caso del Toolbox estadstico
en el cual enfocamos este trabajo de investigacin.
En el presente trabajo se pretenden dar a conocer algunas de las

funciones bsicas manejadas en el Toolbox estadstico, con el propsito
de utilizar en la mayor medida posible, las herramientas proporcionadas
por el software y adecuarlas a las necesidades presentes en el rea
estadstica, complementando de esta forma las caractersticas bsicas
del Software, con las presentadas en investigaciones anteriores, la
presente investigacin y las posibles investigaciones futuras en el
programa.

5
2. ABSTRACT
Matlab is applicative software that allows using in different areas of the

knowledge, in addition allows the possibility of using specialized Toolbox
that they facilitate the work and they increase the functionality of the
program, it is the case of the statistical Toolbox in which we focused this
work of investigation.
This work tried to present some basic functions handled in the statistical
Toolbox, in order to use in the greater possible measurement, the tools
provided by software and to adapt them to the present necessities in
the statistical area, complementing the Softwares basic characteristics,
with the presented ones in previous investigations, the present
investigation and the future investigations possible in the program.

6
3. INTRODUCCIN
Objetivo
Este trabajo se desarrolla con el objeto de continuar la investigacin que
se viene realizando en la UIFCE con miras a ampliar el campo de
aplicacin del programa MATLAB a las ciencias econmicas, en este caso
con un nfasis estadstico, disponible en un paquete especfico -
Statistics Toolbox- . Teniendo en cuenta lo mencionado con
anterioridad, se considera de gran importancia avanzar en este sentido
para llegar a consolidar un nivel adecuado en la aplicacin de este
software que garantice la ptima utilidad del mismo.
De esta forma se busca desarrollar con esta investigacin un manual

relacionado con el uso especfico del paquete estadstico de MATLAB, de
tal manera que el mismo se encuentre disponible para los usuarios de la
UIFCE con conocimientos estadsticos bsicos que quieran encontrar una
aplicabilidad suficiente del software.
Justificacin
Durante el desarrollo de las carreras de la facultad de ciencias
econmicas se destaca la gran importancia del manejo y el
procesamiento de datos de tal forma que nos permitan establecer
conclusiones fiables que se acerquen en gran medida a las situaciones
reales, es por esta razn que se considera de gran importancia
establecer un uso adecuado de un software, como MATLAB y
especficamente del Statistics Toolbox, que facilite este proceso de
anlisis de datos y adems permita complementar un proceso de
conocimiento en el rea de la estadstica.

7
4. STATISTICS TOOLBOX
El paquete estadstico de MATLAB ha sido desarrollado para proveer

ayuda a cualquier tipo de rea, desde las finanzas hasta la ingeniera,
con herramientas interactivas capaces de establecer anlisis detallados
de datos, adems viene acompaado de una completa serie de
funciones para desarrollar desde las ms bsicas aplicaciones
estadsticas hasta un completo diseo y proceso de cualquier anlisis
estadstico.
Este paquete provee dos completas categoras para este uso:
- Una estructura de funciones.

- Herramientas de diseo interactivo.
Este paquete es de gran funcionalidad puesto que permite combinar

poderosas funciones estadsticas con interfaces grficas interactivas,
que han de generar un ambiente ideal para un completo montaje
estadstico.

8
Estructura de funciones
MATLAB acompaa cada paquete de funciones con una completa gua de

ayuda disponible en diferentes temas especficos, que se muestran a
continuacin. Las funciones que MATLAB incluye en este paquete las
agrupa dentro de las siguientes reas:
Estadstica descriptiva 30 Control de procesos estadsticos 7
Estadstica multivariada 25 Regresin no Lineal 10
Grficos estadsticos 26 Diseo de Experimentos 12
Distribuciones de probabilidad 138 Tcnicas de rbol de decisin 5
Pruebas de distribucin 4 Pruebas No Paramtricas 6
Modelos Lineales 27 Modelos Hidden Harkov 5
Importar/exportar archivos 5 Demostraciones 7
Pruebas de hiptesis 6 Utilidades 2
Es importante destacar como en MATLAB es posible acceder al cdigo

fuente de las funciones predeterminadas (*.m), y amplia este capacidad
hasta el punto en el cual se puede crear y/o personalizar cualquier tipo
de funcin, ajustndolas a necesidades especificas.

9
Diseo interactivo - Interfaz Grafica de Usuario
Adems de la posibilidad de disear cualquier interfaz para un anlisis

especifico, MATLAB viene acompaado de opciones predefinidas muy
tiles, una de estas es The Distribution Fitting Tool (Herramienta
apropiada para las distribuciones) una herramienta de gran utilidad que
permite observar el comportamiento de 16 diferentes tipos de
distribuciones de probabilidad con la opcin de combinar distintas
condiciones para cada una de ellas.
INVESTIGACIN
Se ha planeado la investigacin de tal manera que su resultado pueda

acompaar un proceso acadmico, en el cual se establezca una
interrelacin entre la estadstica y las ciencias econmicas, es de esta
manera como sin olvidar la gran funcionalidad de este paquete de
herramientas, la investigacin se va a enfocar en tres ejes temticos,
que se consideran de primera importancia para iniciar un estudio tan
extenso.
5. MANEJO DEL TOOLBOX ESTADISTICO

10
En esta seccin se explicar el uso de las funciones de ms utilidad del
toolbox estadstico, con ejemplos bsicos y tiles donde se destaquen la
aplicabilidad de cada una de ellas.
Estadstica Descriptiva
5.1.1. Medidas de localizacin
Mean ()
Descripcin Calcula la media aritmtica de determinados valores.
Sintaxis mean (a)

- Si a es un vector, calcula la media de los valores.
- Si a es una matriz, calcula la media de cada
columna.
mean (a, dim)

- Devuelve los valores medios de la
dimensin especificada de la matriz a.
- La dimensin predefinida es 1.
Ejemplo a = [1:10]
Media = mean (a)
Media = 5.5000
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]

11
m_columnas = mean (b) % media por columnas
m_columnas = [5.0000 5.2500 4.0000]
m_filas = mean (b, 2) % media por filas
m_filas = [2
5
6]
Nota
nanmean() Descripcin Calcula la media ignorando aquellos datos perdidos.
Geomean ()
Descripcin Calcula la media geomtrica de determinados valores.
Sintaxis geomean (a)

- Al igual que la funcin anterior, si a es un vector,
calcula la media de los valores.
- Si a es una matriz, calcula la media de cada
columna.
Ejemplo a = [1:10]

12
m_geometrica = geomean (a)
m_geometrica = 4.5287
Nota
Media aritmtica > Media geomtrica
mean (x) > geomean(x)
Harmmean ()
Descripcin Calcula la media armnica de determinados valores, en

este caso representada por H, es igual al recproco de una
cantidad finita de nmeros, o inverso, de la media
aritmtica de los recprocos de dichos nmeros
Sintaxis harmmean (a)
- Su parmetro funciona de la misma manera que para

la media geomtrica (mean).
Ejemplo a = [1:10]
m_armonica = harmmean (a)
m_armonica = 3.4142

13
Trimmean ()
Descripcin Calcula la media ajustada de una muestra determinada,
es decir excluye los y/2 percentiles mas bajos como los
mas altos, muy til cuando encontramos datos atpicos en
la muestra.
Sintaxis trimmean (a, y)

- El parmetro a funciona de la misma manera que
las funciones anteriores, donde a es la muestra.
- Mientras y representa el numero de percentiles
que se quieren obviar en los extremos.
Ejemplo a = [1:10] %a = [1 2 3 4 5 6 7 8 9 10]
y = 20
m_ajustada = trimmean (a, y)
%Por el parmetro y la muestra que se calcula

es a = [2 3 4 5 6 7 8 9]
m_ajustada = 5.5000
%En este caso la media ajustada es igual a la media aritmtica

por las caractersticas de la muestra.
b = [1 2 3 7 5 6 4 5 6 8 9 1]
z = 10
m_ajustada = trimmean (b, z)
m_ajustada = 5.5000

14
Max (); Min ()
Descripcin Devuelve los valores extremos de una determinada

muestra.
Sintaxis max(a); min(a)

- Si a es un vector, retorna el valor
mximo/mnimo.
- Si a es una matriz, retorna mximo/mnimo de
cada columna.
-
max(a,[],dim); min(a[],2)
- Si a es una matriz, retorna mximo/mnimo segn
dim ya especificada, cuando dim = 2 devuelve los
valores extremos para las filas.
Ejemplo b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
%Devuelve los valores extremos por cada columna.
mx = max(b) mi = min(b)
mx = [8 9 6] mi = [1 2 1]
%Devuelve los valores extremos por cada fila.
mxf = max(b,[],2) mif = min(b,[],2)
mxf = [ 3 mif = [ 1
7 5
6 4
9 ] 1 ]
Nota
nanmax() ; nanmin ()
Descripcin Devuelve los valores extremos de una determinada

muestra ignorando aquellos datos perdidos.

15
Median ()
Descripcin Calcula la mediana de una muestra (matriz) especifica.
Sintaxis median (a)

- Si a es un vector, retorna la mediana de los
valores.
- Si a es una matriz, retorna la mediana de cada
columna.
median (a, dim)

- Devuelve los valores medios de la
dimensin especificada.
- La dimensin predefinida es 1.
Ejemplo a = [1:10]
Mediana = median (a)
Mediana = 5.5000
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
mediana_col = median (b) % mediana por columnas
mediana_col = [ 5.5000 5.0000 4.5000]
mediana_fil = median (b, 2) % mediana por filas
mediana_fil = [2

16
5
8]
Nota
nanmedian() Descripcin Calcula la mediana ignorando aquellos datos perdidos.
5.1.2. Medidas de dispersin
Std ()
Descripcin Devuelve la desviacin estndar de una matriz o muestra

especfica.
Desviacin estndar Corregida Desviacin estndar sin Corregir
Sintaxis std (a)

- Si a es un vector, retorna la desviacin estndar
corregida de los valores.
- Si a es una matriz, retorna la desviacin estndar
corregida de los valores por columnas.
std (a, flag)

17
- Cuando flag = 0, std (a,0) se comporta de la

misma manera como std (a)
- Cuando flag = 1, std (a, 1) devuelve la
desviacin estndar sin corregir, y el segundo
momento de la muestra
std (a, flag, dim)
- obtenemos la desviacin estndar de la dimensin

determinada.
- Cuando dim = 0 obtenemos la desviacin
estndar de las columnas.
- Si dim = 1 se genera la desviacin estndar de las
filas.
Ejemplo a = [1:10]
Des_std = std (a) % desviacin estndar corregida

Des_std = 3.0277
Dstd = std (a, 1)% desviacin estndar sin corregir
Dstd = 2.8723 % segundo momento
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
dstd_col= std (b)% desviacin estndar por columnas
dstd_col = [ 3.1623 2.8723 2.4495]
dstd_fil = std (b,0,2)% desviacin estndar por filas

18
dstd_fil = [1.0000
1.0000
1.0000
4.3589 ]
Nota
nanstd() Descripcin Calcula la desviacin estndar ignorando aquellos datos

perdidos.
Var ()
Descripcin Calcula la varianza de una muestra especfica, es igual al
cuadro de la desviacin estndar corregida.
Sintaxis var (a)

- Si a es un vector, retorna la varianza corregida de
los valores.
- Si a es una matriz, retorna la varianza corregida
de cada columna.
var (a,1)
- Si a es un vector, retorna la varianza sin corregir
de los valores, mientras si a es una matriz,
retorna la varianza sin corregir de cada columna.
Ejemplo a = [1:10]
Varz = var (a) % desviacin estndar corregida
Varz = 9.1667
Recordemos que: std(a) = 3.0277.

19
[ std(x) ]2= (3.0277) 2 = 9.167 =
var(x)
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
varc = var(b) % varianza por columnas
varc = [ 10.0000 8.2500 6.0000 ]
varf = var(b,1) % varianza por filas
varf = [ 7.5000 6.1875 4.5000 ]
Nota
Varianza corregida: [ std(x) ] 2= var(x)
Varianza sin corregir: [ std(x,1) ] 2 = var(x,1)
nanvar() Descripcin Calcula la varianza ignorando aquellos datos perdidos.
Range ()
Descripcin Devuelve el rango de una determinada serie de datos, es

decir calcula la diferencia entre el dato mximo y el dato
mnimo.
Sintaxis range (a)

- Si a es un vector, calcula el rango del mismo.
- Si a es una matriz, calcula el rango de cada
columna.

20
Ejemplo a = [1:10]
rango = range (a)
rango = 9
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
ran = range (b)
ran = [ 7 7 5]
Iqr ()
Descripcin Calcula el rango intercuartil de una muestra especifica, es

decir, la diferencia entre el percentil 75 y el 25.
Sintaxis iqr (a)

- Si a es un vector, calcula el rango intercuartil del
mismo.
- Si a es una matriz, calcula el rango intercuartil de
cada columna.
Ejemplo a = [1:10]
R_ intercuartil = iqr (a)
R_ intercuartil = 5
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
R_ intercuartil = iqr (a)
R_ intercuartil = [ 5.0000 3.5000 4.0000 ]

21
Prctile ()
Descripcin Calcula el valor de un percentil determinado en el

intervalo de [0 100] en una muestra especifica.
Sintaxis prctile (a, p)

- p, corresponde al percentil que se busca, puede
ser un vector o escalar
- a, es la muestra que se analiza, puede ser
vector o matriz.
a p Prctile (a , p)
Vector Escalar Calcula el percentil p de la muestra a.
Matriz Escalar Genera un vector con los percentiles p por

cada columna de la matriz a.
Vector Vector Genera un vector con los percentiles que

contiene p de la muestra a.
Matriz Vector Genera una matriz en la cual cada columna

corresponde a los percentiles especificados en
p de cada columna de la matriz a
Nota
Percentil 50 = Mediana
Ejemplo a = [1:10]
b = [25 50 75]

22
percentiles = prctile (a,b)
percentiles = [ 3.0000 5.5000 8.0000 ]
c = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
d = [25 50 75]
percent = prctile (c,d)
percent = [ 2.5000 3.5000 2.0000
5.5000 5.0000 4.5000
7.5000 7.0000 6.0000 ]
Quantile ()
Descripcin Calcula el valor de un quantiles de una muestra

especifica, aunque su resultado es muy similar al de la
funcin anterior prctile() - .
Sintaxis quantile (a, p, dim)

- p, corresponde al quantil que se busca, puede
ser un vector o escalar y se encuentra entre el
rango [0 1] .
- a, es la muestra que se analiza, puede ser
vector o matriz.
- Su comportamiento hasta este punto es igual a la
funcin prctile().
- Sin embargo el parmetro dim es muy til ya que
nos permite buscar quantiles en otras dimensione.
dim=1, por columnas, dim=2, por filas
Nota
Prctile( x , 50) = quantile (x, .50) = mediana

23
Ejemplo a = [1:10]
Q5 = quantile(a, .5) %Igual a la mediana
Q5 = 5.5000
Resume = quantile(a,[.025 .25 .50 .75 .975] )
Resume = [1.0000 3.0000 5.5000 8.0000 10.0000 ]
b = magic(3)
b = [8 1 6
3 5 7
4 9 2]
MedianaC = quantile(b,.5,1) %Mediana por columnas
MedianaC = [ 4 5 6]
MedianaF = quantile(b,.5,1) %Mediana por filas
MedianaF = [ 6
4 ]
Skewness ()
Descripcin Calcula la oblicuidad de una determinada muestra,

24
Sintaxis skewness (a)

- Si a es un vector, calcula la oblicuidad de los
valores.
- Si a es una matriz, calcula la oblicuidad de cada
columna.
Ejemplo X = randn([5 4])
%genera una matriz aleatoria con distribucin normal
X = [ 0.2944 0.8580 -0.3999 0.6686
-1.3362 1.2540 0.6900 1.1908
0.7143 -1.5937 0.8156 -1.2025
1.6236 -1.4410 0.7119 -0.0198
-0.6918 0.5711 1.2902 -0.1567 ]
obl = skewness (X)
%En este caso la oblicuidad se acerca a cero
obl = [ -0.0040 -0.3136 -0.8865 -0.2652 ]

Nota
La oblicuidad (obl.) es una medida de asimetra de las muestras con distribucin normal, se mide a
partir de la media.
Si obl. < 0, entonces la mayora de los datos se encuentran a la izquierda de la media;
. Si obl.> 0, entonces la mayora de los datos se encuentran a la derecha de la media; y
Si obl. = 0, entonces la muestra corresponde a una distribucin normal con perfecta simetra.
25
kurtosis ()
Descripcin Calcula la curtosis, removiendo los valores perdidos.
Sintaxis kurtosis (a)

- Cuando a es un vector, calcula la curtosis de los
elementos del mismo.
- Cuando a es una matriz, calcula la curtosis para
cada columna.
kurtosis (a, flag)
- Especifica si se quiere corregir la diagonal (flag = 0)
o no (flag = 1, por defecto).
Ejemplo a = [1 5 9; 2 6 10; 3 7 11; 4 8 12]
k=kurtosis (a)
k= [1.6400 1.6400 1.6400]
tabulate ()
Descripcin Devuelve una tabla con las frecuencias absolutas y

relativas de una muestra.

26
Sintaxis tabulate (a)
- El parmetro a representa la muestra, y solo
puede ser un vector.
Ejemplo a = [4 1 4 4 2 3 4 3 1 2]
tabla = tabulate (a)
tabla =
Value Count Percent
1 2 20.00%
2 2 20.00%
3 2 20.00%
4 4 40.00%
mad ()
Descripcin Desviacin absoluta media o mediana de una muestra.
Sintaxis mad (a,flag,dim)
Si flag = 0 :
- Si a es un vector, calcula la desviacin absoluta
media de los valores.
- Si a es una matriz, calcula la desviacin absoluta
media de cada columna.
Si flag = 1:
- Si a es un vector, calcula la desviacin absoluta
mediana de los valores.
27
- Si a es una matriz, calcula la desviacin absoluta
medina de cada columna.
- dim se usa para determinar la dimensin en la

cual se quiere calcular.(dim = 0, por defecto,
columnas, dim=1 por filas)
Ejemplo a = [1:10]
DesvAbs = mad(a)
DesvAbs = 2.5000
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
dac = mad(b) % desviacin media por columnas
dac =[ 2.5000 1.8750 2.0000 ]
daf = mad(b,0,1)% desviacin media por filas
daf =[ * * *]
Nota
Para una distribucin normal 'mad ()' es menos eficiente que la desviacin estndar 'std()' como medida de dispersin.
moment ()
Descripcin Devuelve los momentos centrales de cualquier orden (k).

28
Sintaxis moment(a, order, dim)

- Calcula el momento central de a segn el entero
positivo order.
- SI a es un vector, calcula el momento central por
cada columna.
- dim especifica la dimensin con la cual se
calcularan los momentos centrales.
Ejemplo a = [1:10]
DesvAbs = mad(a)
DesvAbs = 2.5000
b = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
dac = mad(b) % desviacin media por columnas
dac =[ 2.5000 1.8750 2.0000 ]
daf = mad(b,0,1)% desviacin media por filas
daf =[ * * *]
5.1.3. Grupos de datos
cov()
Descripcin Devuelve una matriz de covarianza.

29
Sintaxis cov (a)

- Cuando a es un vector, devuelve un valor con la
varianza del mismo.
- Cuando a es una matriz, cada columna es una
observacin y cada columna una variable.
Proceso El algoritmo para cov () es:
[n,p] = size(X);
X = X - ones(n,1) * mean(X);
Y = X'*X/(n-1);
Ejemplo a = [1:10]
Covarianza = cov(a)
Covarianza = 9.1667
b = [1 2 3; 7 5 6; 4 5 6]
Covarianza = cov (b)
Covarianza =[ 9.0000 4.5000 4.5000
4.5000 3.0000 3.0000
4.5000 3.0000 3.0000 ]
corr()
Descripcin Devuelve una matriz de correlacin linear.

30
Sintaxis RHO = corr(a)
- a debe ser una matriz, y devuelve un matriz de
correlacion entre columnas.
RHO = corr(a,b)
- Genera una matriz de correlacin entre las dos
matrices, las dimensiones de a deben ser
iguales a las de b.
RHO = corr(...,'param1', val1, 'param2',val2,...)

- Especifica mas parmetros para determinar la
Correlacin.
Parmetros Valores Descripcin
'type' 'Pearson' Calcula el coeficiente de correlacin

lineal de 'Pearson'.
(por defecto)
Para los valores-P usa la distribucin
T-Student
'Kendall' Calcula Kendall's tau, otra medida de

correlacin.
'Spearman' Calcula la correlacin de 'Spearman'.
'rows' 'all' Calcula usando todas las filas as

contengas valores perdidos.
(por defecto)
'complete' Calcula las filas que no tengan valores

perdidos.
'pairwise' Calcula RHO[i,j] usando las filas que

no tengan valores perdidos en las
columnas j e i .

31
'tail' 'ne' Correlacin no es cero
(por defecto)
'gt' Correlacin es mayor que cero
'lt' Correlacin es menor que cero
(Cola La hiptesis alternativa contraria

a la que deseamos comprobar.)
Ejemplo a = [1 2 3; 7 5 6; 4 5 6; 8 9 1]
Rho = corr(a)
Rho =[ 1.0000 0.8808 -0.1291
0.8808 1.0000 -0.4264
-0.1291 -0.4264 1.0000 ]
b=[1 2 3; 4 5 6; 7 8 9; 10 11 12]
RHO = corr(a)
RHO = [ 1 1 1
111
111]
corrcoef()
Descripcin Devuelve una matriz con los coeficientes de

correlacin, en el cual las filas son observaciones y las
columnas son variables .

32
Sintaxis R = corrcoef (a)

- a debe ser una matriz.
[R,P]= corrcoef (a)
- Devuelve adems una matriz con los valores p
usados en las pruebas de hiptesis.
[R,P,RLO,RUP]=corrcoef(...)
- Adems devuelve RLO y RUP que son los lmites de

determinado intervalo a 95% de confianza.
[...]=corrcoef(...,'param1',val1,'param2',val2,...)
-Parmetros adicionales
Parmetros Descripcin
'alpha' Un numero entre 0 y 1 usado para especificar el nivel de

confianza de 100*(1-alpha)%
Ejemplo. Cuando alpha es 0.05, el intervalo de confianza esta a

95%
'rows' Los valores se determinan de la misma manera que para corr().
crosstab()

33
Descripcin Genera una matriz con tabulacin-cruzada entre
diferentes vectores.
Sintaxis crosstab (col1 ,col2)

- Se genera una matriz donde el elemento (i,j)
corresponde a la cuenta de todas las
observaciones donde col1=i y col2 =j.
Ejemplo
a=[1 2 3 4 5 6 7 8 9 10 ]
%Cdigo de diez estudiantes
b=[2 4 4 3 1 5 3.5 2.5 3 2]
%Nota para los diez estudiantes respectivamente
tabla = crosstab(a,b)
tabla = [ 0 1 0 0 0 0 0
0 0 0 0 0 1 0
0 0 0 0 0 1 0
0 0 0 1 0 0 0
1 0 0 0 0 0 0
0 0 0 0 0 0 1
0 0 0 0 1 0 0
0 0 1 0 0 0 0
0 0 0 1 0 0 0
0 1 0 0 0 0 0 ]
Puede interpretarse como:

34
Nota 1 2 2.5 3 3.5 4 5
Alumno
1 0 1 0 0 0 0 0
2 0 0 0 0 0 1 0
3 0 0 0 0 0 1 0
4 0 0 0 1 0 0 0
5 1 0 0 0 0 0 0
6 0 0 0 0 0 0 1
7 0 0 0 0 1 0 0
8 0 0 1 0 0 0 0
9 0 0 0 1 0 0 0
10 0 1 0 0 0 0 0
grpstats ()
Descripcin Devuelve un resumen estadstico por grupo.
Sintaxis grpstats (a, group)

- Genera la media de cada columna de a por grupo,
el vector group define como se agruparan los
datos.
grpstats (a, group, alpha)

- Genera un diagrama de las medias frente a un
ndice 100(1 - alpha) % de intervalo de confianza
por cada media.
grpstats (a, group, whichstats)

35
- En este caso whichstats corresponde a otros estadsticos
que podemos calcular dentro de los siguientes:
'mean' Promedio
'sem' Error estndar
'numel' Cuenta, del nmero de elementos.
'gname' Nombre del grupo
'std' Desviacin Estndar
'var' Varianza
'meanci' Intervalo de confianza al 95%
'predci' Intervalo de prediccin a un 95% para una nueva observacin
bootstr ()
Descripcin Permite efectuar el Bootstrap con determinadas

caractersticas.
Nota
El Bootstrap es una metodologa estadstica que a tenido gran aplicacin en los ltimos aos, y
consiste en obtener nuevas muestras con caractersticas similares a una primera muestra real (raz),
y partir de los estadsticos de todas las muestras generadas establecer conclusiones mas precisas.

36
Sintaxis bootstr (nboot, fboot,d1,d2,)

- nboot, es el numero de muestras que queremos
generar.
- fboot, es la funcin que se quiere aplicar a las
muestras.
- d1, d2, . , son las muestras raz.
Ejemplo X = [1:5] %Muestra raz
B1 = bootstr(3,size,a)
B1 = [ 5 1
5 1
5 1 ]
B2 = bootstr(3,mean,a)
B2 = [ 2.6000
2.2000
3.8000 ]
6. GRFICAS EN TOOLBOX ESTADSTICO

37
Introduccin
El Toolbox estadstico de MATLAB, proporciona grandes facilidades en lo
relacionado con grficas, situacin que permite automatizar y agilizar el
manejo y procesamiento de las mismas. Para ello dispone de una serie
de funciones que permiten modificar dentro de la figura los parmetros
que afectan el resultado de la misma. En el presente informe se
pretende dar a conocer algunas de estas ventajas con una ayuda que
permita una fcil utilizacin las funciones predefinidas para el programa.
Las grficas estadsticas en las que basaremos el presente trabajo sern

algunas en las cuales se manejen las funciones de distribucin bsicas,
de tal manera que se adecue a las necesidades de los estudiantes de la
facultad de ciencias econmicas, dando principal nfasis en funciones de
distribucin como la T, Chi-cuadrado, F, Binomial, Poisson, entre otras.
Principales Funciones Utilizadas En Matlab Para Grficas

Existen una serie de criterios generales para seleccionar grficas de tipo
estadstico, criterios que corresponden a las posibilidades y
caractersticas que poseen las grficas en el TOOLOBOX ESTADISTICO.
Algunas de las caractersticas de mayor importancia se encuentran
relacionadas con el entendimiento de las grficas, como bien es
expresado en la siguiente frase toda grafica debe explicarse por si
misma, por tanto debe llevar un titulo claro, la fuente de donde fueron
obtenidos los datos, rangos de escalas y leyendas o notas
explicatorios1. Las grficas en matlab permiten la posibilidad de
adecuarlas de tal forma que sean completamente entendibles para los
usuarios, por medio de las diferentes posibilidades existentes para
insertar en las graficas.
En el men insertar, Matlab permite la posibilidad de agregar a la

grfica etiquetas de diferentes tipos, de igual forma es posible colocar al
interior de la misma formas y cuadros, estas opciones proporcionadas
por el programa permiten responder a las caractersticas bsicas para
graficas, y adems colocar algunos elementos adicionales que dan un
toque personal y mejor entendimiento de las mismas.
1
Ciro Martnez Bencardino, ESTADISTICA
38
Para conocer algunas de las posibilidades de las grficas en el Toolbox,

presentaremos algunas de las funciones relacionadas con graficas de
tipo estadstico en el programa. Las siguientes son las funciones bsicas
de mayor importancia, relacionadas con los estudios de tipo estadstico:
RANDTOOL
Esta funcin permite generar de forma interactiva nmeros al azar

mostrando los resultados grficos por medio de un histograma. Instala
un interfaz grfico que permite indagar los efectos al realizar cambios
en los parmetros que afectan la funcin que se desee graficar.
Algunas caractersticas de la interfaz (VER FIGURA 1)
La interfaz que se abre con la funcin, permite fijar valores de

parmetro para la distribucin y para cambiar sus lmites superiores e
inferiores en la generacin de datos aleatorios.
Permite dibujar otra muestra con la misma distribucin, con el mismo

tamao y los parmetros, al igual que generar la grafica de otro tipo de
distribucin con los parmetros seleccionados en primera instancia.
Permite exportar la muestra actual al workspace, para ello proporciona

la opcin exportar la cual permite ver los datos aleatorios que generaron
la grafica y en general trabajar con estos como si hubiesen sido creados
en el command window.
Trae una barra de mens completa que permite realizar modificaciones

a las caractersticas de la grafica, compuesta por bastantes opciones
que permitirn adecuar la grafica a nuestros requerimientos y de igual
forma obtener todo tipo de informacin relacionado con la grafica
generada con datos aleatorios.

39
Barra de mens
TAMAO DE LA
MUESTRA
FUNCIONES DE
DISTRIBUCION
Limite superior e
inferior de los
datos
generados.
Valor del Exportar datos al

parmetro workspace
FIGURA 1
DISTTOOL
Esta funcin permite generar de forma interactiva diagramas de
diferentes distribuciones de probabilidad. La interfaz generada por esta
funcin permite escoger entre dos tipos de diagramas, el de cdf
(genera una funcin distribucin acumulativa elegida) o el de pdf
(Funcin de densidad de probabilidad para una distribucin especificada)
y al igual que la funcin presentada con anterioridad permite realizar
modificaciones a los parmetros relacionados con las caractersticas de
la misma interfaz generada.
Algunas caractersticas de la interfaz (VER FIGURA 2)

40
La interfaz que se abre con la funcin, permite fijar valores de

parmetro para la distribucin y para cambiar sus lmites superiores
e inferiores en la generacin de datos aleatorios.
En la interfaz se tiene la posibilidad de conocer los valores de X
correspondientes a un nivel de probabilidad, o viceversa. Estos
valores pueden ser modificados de acuerdo a nuestras necesidades y
varan automticamente en la interfaz generada con esta funcin.
Permite la posibilidad de generar un sin numero de grficos, teniendo
en cuenta los 20 tipos de distribucin existentes, y las dos
posibilidades de funciones que se pueden generar para cada tipo de
distribucin.
TIPO DE
FUNCION
FUNCIONES DE
DISTRIBUCION
FUNCION TIPO
CDF O PDF
VALOR DE
LA FUNCION
VALOR DE X
Limite superior
e inferior de los
datos
generados.
Valor del parmetro FIGURA 2

41
Lsline
Descripcin
Esta funcin genera la lnea de ajuste de los mnimos

cuadrados de una funcin predeterminada.
Sintaxis
lsline
x = lsline
Ejemplo
Se puede generar un vector x con cualquier tipo de

caractersticas (en este caso un vector que contiene 20
datos aleatorios con distribucin normal), en este caso
utilizamos la funcin randn;
X = randn (20,1)
Graficamos la funcin y pedimos que nos seale los

valores al interior de la grfica.
plot (X,+)
Por ltimo utilizamos la funcin lsline para que nos

genere la lnea de tendencia de los valores graficados.
lsline (ver FIGURA 3).

42
1.5
0.5 Lnea de tendencia
0
Generada por la funcin
-0.5
-1
-1.5
-2
-2.5
0 2 4 6 8 10 12 14 16 18 20
FIGURA 3
Cdfplot
Descripcin
Este comando permite ver la grfica de una funcin de

distribucin acumulativa emprica para datos en un
solo vector X. El cdf emprico se define como la
proporcin de valores de X menor o igual a x. Este
diagrama, al igual que los generados por hist y
normplot, es til para examinar la distribucin de una
muestra de datos.
Sintaxis
cdfplot (X)
h = cdfplot(X)
[h, stats] = cdfplot(X)

43
Ejemplo
En primer lugar generaremos un vector con media: 0,

desviacin estndar: 1; con dimensiones m: 20 y n: 1.
Para ello utilizaremos la funcin normrnd
estableciendo los parmetros anteriormente
mencionados, as: x = normrnd (0,1,50,1);
Posteriormente utilizamos la funcin objetivo del

ejemplo de la siguiente forma: cdfplot (x) (VER
FIGURA 4)
Y por ultimo le pedimos que nos muestre el h y los

estadsticos bsicos [h,stats] = cdfplot(X), as:
stats values
min: -1.7613
max: 2.7922
mean: -0.1579
median: -0.3096
std: 0.9138

44
Empirical CDF
1
0.9
0.8
0.7
0.6
F(x)
0.5
0.4
0.3
0.2
0.1
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
x
FIGURA 4
Boxplot
Descripcin Diagrama de caja de una muestra de los datos
Sintaxis
- Boxplot(X): produce un diagrama de caja y de bigotes para cada

columna de la matriz X. La caja tiene lneas en el cuartl
superior, en el punto medio, y en el cuartl inferior de la
caja.
- Los bigotes son lneas que extienden de cada extremo de la caja

para mostrar la extensin de los datos que se encuentran fuera de los
limites de la caja. Los mas (+) son datos con valores ms all de los
extremos de los bigotes. Si no hay datos fuera de los bigotes, un
punto se coloca en el bigote inferior
- boxplot (X,G): produce un diagrama de caja y bigotes para un vector

X, agrupado por G. G es un grupo de variables definidas
por un vector, una matriz o un conjunto de celdas
variables. G tambin puede ser un conjunto de variables
(tales como {G1 G2 G3} agrupando los valores en X por
cada combinacin de grupo de variables.

45
- boxplot (...,'Param1', val1, 'Param2', val2,...): parmetros opcionales
especficos, tales como los descritos en el siguiente
cuadro:
Parameter Parameter Values

Name
'notch' 'on' para incluir los cortes en la caja (por defecto es

'off')
'symbol' Smbolo para usar fuera del limite del grafico (por
defecto es r+')
'orientation' Orientacin del diagrama 'vertical' (por defecto) o

'horizontal'
'whisker' Mxima extensin de los bigotes en unidades de

rango de intercuartl (por defecto 1.5)
'labels' Etiquetas para la secuencia de columnas (se usa

solamente cuando X es una matriz, y la etiqueta
por defecto es el numero de la columna).
En un boxplot con cortes, dichos cortes representan un buen estimador

de la incertidumbre, en la comparacin de las medianas de cada caja
graficada. Cuando los cortes no se traslapan indican que las medianas de
los dos grupos difieren con un 5 por ciento de nivel de significancia.
Ejemplo
Los siguientes comandos generan un diagrama de boxplot usando

una base de datos existente en el programa y que permite su
46
utilizacin para la explicacin de varias funciones. Los siguientes
comandos crean un boxplot de la aceleracin relacionada con el
ao de fabricacin de los carros.
load carsmall
boxplot (Acceleration, Model_Year)
Boxplot Acelaracion VS Modelo del carro
24
22
20
18
Values
16
14
12
10
70 76 82
En este ejemplo podemos ver un diagrama de caja para la aceleracin

de los vehculos de acuerdo con el ao de fabricacin, y podemos
evaluar algunas de las caractersticas que evidencia la figura, tales como
la diferencia entre medianas y los datos que se encuentra fuera de los
lmites del diagrama de caja.
Este ejemplo produce los diagramas de la caja para los datos de la
muestra, y acepta el defecto 1,5 * IQR para la longitud de las
barbas.
X1 = normrnd(6,1,60,1); % normrnd genera datos aleatorios con

distribucin normal
X2 = normrnd(4,2,60,1);
x = [X1 X2];

47
boxplot(x, 1)
Boxplot para dos funciones con Dn normal
9
5
Values
0
1 2
Column Number
La diferencia entre los puntos medios de las dos columnas de x es

aproximadamente 1. Puesto que los cortes en el boxplot no se
traslapan, se puede concluir, con un nivel de significancia del 95%, que
las medianas de las dos muestras difieren.
Este diagrama tiene varios elementos grficos:
Las lneas ms bajas y superiores de la "caja" son el 25 y 75 por

ciento de la muestra. La distancia entre la tapa y fondo de la caja
es el rango de interquartile.
La lnea en el centro de la caja es el punto medio de la muestra. Si

el punto medio no se centra en la caja, sa es una indicacin de la
oblicuidad.
Las " barbas" son lneas que extienden sobre y debajo de la caja.
Demuestran el grado del resto de la muestra (a menos que hay
afloramientos). No si se asume que ningn afloramiento, el
mximo de la muestra es la tapa de la barba superior. El mnimo
de la muestra es el fondo de la barba ms baja. Por defecto, los
datos que se encuentran por fuera de los bigotes son ms de 1,5
veces la gama interquartile que se encuentran fuera de los lmites
de la caja.
El signo de ms en la tapa del diagrama es una indicacin de un

afloramiento en los datos. Este punto pudo ser el resultado de un
48
error de la entrada de datos, de una medida pobre, o de un
cambio en el sistema que gener datos de forma errnea.
Las cortes en la caja son un intervalo grfico de la confianza sobre

el punto medio de una muestra. Los diagramas de la caja no
tienen cortes por defecto.
Qqplot
Descripcin Un diagrama del quantile-quantile es til para determinarse
si dos muestras vienen de la misma distribucin (si est
distribuido normalmente o no).
Sintaxis - qqplot(X) muestra una grafica de quantil-quantil para una

muestra de datos de X en relacin a una distribucin terica
normal. Si la distribucin de X es normal, la grafica ser
lineal.
- qqplot(X, Y) muestra una grafica de quantil-quantil para

dos muestras de datos si las muestra vienen de la misma
distribucin, la grfica ser lineal. Para una matriz X y Y,
qqplot muestra lneas separadas para cada pareja de
columnas, adems la grfica contiene la muestra de datos
mostrando los mismos por medio de signos (+).
- qqplot () este tipo de grfico es usado para especificar los

cuartiles en el vector pvec.
Ejemplos
1. El ejemplo demuestra un diagrama del quantile-quantile-quantile

de dos muestras de una distribucin de Poisson.
x = poissrnd (15, 140,1); y = poissrnd (10, 80,1); qqplot(x, y););

49
QQPLOT para comparar dos dstribuciones Poisson
20
18
16
14
Y Quantiles 12
10
0
6 8 10 12 14 16 18 20 22 24 26
X Quantiles
Aunque los parmetros y los tamaos de muestra son diferentes, la

relacin de lnea recta demuestra que las dos muestras vienen de una
misma distribucin.
2. El ejemplo debajo de demostraciones qu sucede cuando las

distribuciones subyacentes no son iguales.
x = normrnd(10,1,50,1); y = weibrnd(4,0.5,50,1); qqplot(x, y);
QQPLT Para distribuciones diferentes
0.8
0.7
0.6
0.5
0.4
Y Quantiles
0.3
0.2
0.1
-0.1
-0.2
7 7.5 8 8.5 9 9.5 10 10.5 11 11.5 12
X Quantiles
Estas muestras no son claramente de la misma distribucin.

50
Para determinar la validez de un procedimiento estadstico que dependa
de que las dos muestras vienen de la misma distribucin (ej. ANOVA),
un diagrama linear del quantile-quantile-quantile debe ser suficiente.
Gname
Descripcin Etiqueta los puntos trazados con el respectivo nombre o
nmero, segn el caso. Los datos que se ingresan para
utilizar a funcin deben ser datos que se encuentren
relacionados con un nombre especfico, es decir que cada
punto al interior de la grafica corresponda a un nombre en
especial. Si se pulsa una vez un punto al interior de la grfica,
automticamente el grafico muestra el nombre al que
corresponde el punto seleccionado.
De forma alternativa si se desea conocer el nombre de

diferentes puntos se puede arrastrar el Mouse creando un
rectngulo que mostrara el nombre de cada uno de los puntos
que se encuentran al interior del mismo. Con el botn
derecho del Mouse se puede quitar la etiqueta colocada sobre
la grfica. el gname sin discusiones etiqueta cada caja con su
nmero del caso. Se puede utilizar el gname para etiquetar
diagramas creados por funciones tales como plot, Scatter,
gscatter, plotmatrix, entre otras.
Sintaxis gname() permite conocer la procedencia de los datos con solo

presionar el botn derecho del Mouse para grficas realizadas
de forma previa.
h = gname(cases, line_handle)
Ejemplo Este ejemplo utiliza informacin de ciudades estadounidenses

con el objetivo de revisar la relacin entre gastos e ingresos,
y utilizando el comando gname para verificar a que ciudad
corresponde cada punto.
Load cities
gastos = ratings(:,1);
ingresos= ratings (:,4);
plot(Gastos, Ingresos,'+')

51
gname(names)
4
x 10
6
Los Angeles, Long Beach, CA
2
Philadelphia, PA-NJ
0
1000 2000 3000 4000 5000 6000 7000 8000 9000
Para ver la procedencia de cualquier punto del grafico basta con dar clic
sobre alguno de ellos.
Refline
Descripcin Agregue una lnea de referencia a la grfica actual.
Sintaxis refline(slope, intercept)
- agrega una lnea de referencia con la

pendiente y a intercepcin teniendo en
cuenta las condiciones actuales
refline(slope)
- agrega la lnea de referencia al grfico, y
utilizando nicamente la pendiente.

52
h = refline(slope, intercept)
Ejemplo
Para este ejemplo creamos un vector Y, creando diferentes lneas de

referencia en la grafica de acuerdo a condiciones especificas.
Y = [1.2 5.2 1.9 4.5 4.0 3.2 3.9 1.9 2.6 2.4 2.8]';
plot (y,'+')
refline(1,3)
refline(0.5,3)
refline(2,3)
refline(0,2)
REFLINE
14
12
10
1 2 3 4 5 6 7 8 9 10 11
Gscatter
Diagrama de la dispersin del grupo
Sintaxis

53
gscatter(x,y,g)
gscatter(x,y,g,'clr','sym',siz)
gscatter(x,y,g,'clr','sym',siz,'doleg')
gscatter(x,y,g,'clr','sym',siz,'doleg','xnam','ynam')
h = gscatter(...)
Descripcin
- gscatter(x, y, g)
Crea un diagrama de la dispersin de x y y, en el cual X y Y

son los vectores con el mismo tamao y g es un grupo de
variables definidas por un vector, una matriz o un conjunto
de celdas variables. G tambin puede ser un conjunto de
variables (tales como {G1 G2 G3} agrupando los valores en
X por cada combinacin de grupo de variables.
Los puntos con el mismo valor de g se colocan en el mismo

grupo, y aparecen en el grfico con el mismo marcador y
color.
- gscatter(x, y, g, ' clr ', ' sym ', siz)

Esta funcin permite crear el diagrama de dispersin y
especificar el color, el tipo del marcador, y el tamao para
cada grupo. ' clr ' es un conjunto de colores reconocidos por
la funcin plot.sym ' son una serie de smbolos reconocidos
por el comando plot, con el smbolo por defecto de '.'. siz es
un vector de tamaos, con el defecto determinado por '
defaultlinemarkersize ' caracterstico. Si no se especifican las
caractersticas deseadas, gscatter establece los valores
necesarios para el entendimiento de la grfica.
- gscatter(x, y, g, ' clr ', ' sym ', siz, ' doleg ') controla si la
leyenda es mostrada en el grfico ('doleg' = 'on', por
defecto) o no ('doleg' = 'off').
- gscatter(x, y, g, ' clr ', ' sym ', siz, ' doleg ', 'xnam',
'ynam ') especifica el nombre para utilizar en las etiquetas
del eje X y el eje Y. Si las etiquetas par x y Y son omitidas,
por defecto se coloca en el grfico el nombre de las
variables.
Ejemplo
54
El siguiente ejercicio consistir en realizar un diagrama de
dispersin para dos grupos el de salud y el de condiciones
econmicas agrupndolas por medio de la informacin de la
columna group. Para ello se deben ingresar los siguientes
comandos:
Load discrim % carga tablas con informacin predefinida que

se encuentra en el programa
scatter(ratings(:,3),ratings(:,9),group,'rk','.*')
DIAGRAMA DE DISPERSION
10000
1
2
9000
CONDICION ECONOMICA
8000
7000
6000
5000
4000
3000
0 1000 2000 3000 4000 5000 6000 7000 8000
SALUD
Hist
Descripcin Grafico de histograma
Sintaxis
- hist(y)
Grafica un histograma con diez barras para los valores
contenidos en el vector y. las barras estn igualmente
espaciados entre el valor mnimo y mximo que toma la
variable.
- hist(y, nb)
Las letras nb representan el nmero de barras que
queremos sean colocados en el grfico final.
- hist(y, x)

55
Grafica un histograma usando el numero de barras que
contiene el vector x.
- [n,x] = hist(y...) no realiza el grfico de histograma,
pero retorna los vectores n y x, que contienen la
frecuencia y la localizacin de las barras de tal forma
que bar(x,n) grafica el histograma.
Ejemplos
1. Con los siguientes comandos se genera un histograma

con diez divisiones.
y = normrnd(0,0.5,500,1) %la funcin normrnd

genera datos aleatorios.
Hist (y)
HISTOGRAMA
150
100
50
0
-1.5 -1 -0.5 0 0.5 1 1.5 2
2. Los siguientes comandos generan un histograma, en el

cual se utiliza una variable x, para elegir el nmero de
barras contenidas en el grfico y elegir los valores del eje x.
y= normrnd(0,1,1500,1);
x= -4.5:0.7:4.5;
hist(y,x)

56
HISTOGRAMA 2
200
180
160
140
120
100
80
60
40
20
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Errorbar
Descripcin Grafica las barras de error a lo largo de una curva.
Sintaxis
- errorbar(X,Y,L,U,symbol)
Grafica X versus Y con un largo especifico de las barras de

errores determinado por L(i)+U(i) que representan los
puntos superiores e inferiores del grfico. X, Y, L, y U deben
ser de la misma longitud. Si X, Y, L, y U son matrices, cada
columna produce una lnea por separado. Las barras de
error estn graficadas a distancia de U(i) en la parte
superior y L(i) en la parte inferior de los puntos en (X,Y). El
smbolo (symbol) es una forma de controlar el tipo de lnea,
el smbolo del grfico y el color de las barras de error.
- errorbar(X,Y,L)
Grafica X versus Y con barras de errores simtricas en

relacin a Y
- errorbar(Y,L)
Grafica Y con barras de error [Y-L Y+L].
Nota
La funcin errorbar hace parte del lenguaje estndar de MATLAB
57
Ejemplo
Con los comandos siguientes genere los vectores necesarios

para realizar la grafica de errorbar.
X =[1 2 3;6 5 4 ; 9 8 7];

Y =[5 4 9; 5 4 8 ; 1 8 6];
U =[3 6 7; 7 9 1; 8 9 2];
L =[2 8 6;7 9 5; 3 4 6]
errorbar (X, Y, L, U,'s')
ERRORBAR
20
15
10
-5
0 1 2 3 4 5 6 7 8 9 10
Ecdfhist
Propsito
Crea el histograma de salida de una distribucin ecdf

Sintaxis
- n = ecdfhist (f, x)
Toma un vector f, de valores una funcin de
distribucin acumulativa (cdf) y un vector de
evaluacin de los puntos de la funcin, y
devuelve un vector n que contiene los puntos
altos del histograma para 10 barras igualmente
58
espaciadas. La funcin computa las barras de
mayor altura desde el incremento en la funcin
emprica (cdf), y las normaliza de tal forma que el
rea del histograma sea igual a 1. A diferencia el
comando hist genera barras que representan la
frecuencia en la muestra.
- n = ecdfhist(f, x, m)
En este caso m es un nmero escalar y
representa el numero de barras que deseamos
aparezcan en el grfico. n = ecdfhist(f, x, c)
- n = ecdfhist(f, x, c)
En este caso c es un vector, que permite centrar
las barras especficamente en c.
- [n, c] = ecdfhist(...)
Devuelve la posicin de las barras centradas en c.
- ecdfhist(...)
Sin argumentos produce un histograma de barras
de los resultados.
Ejemplo
El cdigo siguiente genera tiempos de error aleatorios y

tiempos censurados , comparando la emprica pdf con una
pdf que se conoce que es verdadera.
y = exprnd(10,50,1); % random failure times

d = exprnd(20,50,1); % drop-out times
t = min(y,d); % observe the minimum of these
times
censored = (y>d); % observe whether the subject
failed
% Calculate the empirical cdf and plot a histogram
from it
[f,x] = ecdf(t,'censoring',censored);
ecdfhist(f,x);
% Superimpose a plot of the known true pdf
hold on;
59
xx = 0:.1:max(t); yy = exp(-xx/10)/10; plot(xx,yy,'g-
');
hold off;2
ECDFHIST
0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
0 5 10 15 20 25
GPLOTMATRIX
Descripcin Matriz diagramas de dispersin por grupo.
Sintaxis -gplotmatrix(x,y,g)
Esta funcin crea una matriz de grficos de dispersin.

Cada conjunto de ejes en la figura del resultado
contiene un diagrama de dispersin de una columna de
x contra una de y. Todos los grficos estn agrupados
por la variable g.
X y Y son matrices con el mismo nmero de filas. Si x

tiene p columnas y q filas la figura contiene una matriz
p * q de diagramas de dispersin. G es una variable
para agrupar que puede ser vector, una matriz o un
conjunto de celdas variables. G debe tener la misma
cantidad de filas que X y Y.
2
Tomado de MATLAB \ ESTATISTICS Toolbox\ HELP \ ecdfhist
60
- gplotmatrix(x,y,g,'clr','sym',siz)
Permite especificar el color, el tipo del marcador, y el

tamao para cada grupo. ' clr ' es un conjunto de
colores reconocidos por la funcin plot.sym ' son una
serie de smbolos reconocidos por el comando plot, con
el smbolo por defecto de '.'. siz es un vector de
tamaos, con el defecto determinado por '
defaultlinemarkersize ' caracterstico. Si no se
especifican las caractersticas deseadas, gscatter
establece los valores necesarios para el entendimiento
de la grfica.
- gplotmatrix(x,y,g,'clr','sym',siz,'doleg')
Permite controlar si una leyenda est exhibida en el

grfico (' doleg '=' on 'el defecto) o no (' doleg '=' off ')
-gplotmatrix(x,y,g,'clr' 'sym',siz,'doleg','dispopt')
Controla que aparezca alo largo de la diagonal del

grfico de la matriz de x versus x permitiendo a los
valores nulos salir en la diagonal en blanco, 'hist'(por
defecto) en la grfica de histogramas, o 'variable' para
graficar los nombres de las variables.
- gplotmatrix(x,y,g,'clr','sym',siz,...
'doleg','dispopt','xnam','ynam')
Especifica los nombres en las columnas en X y Y. Estos

nombres son usados para etiquetar los ejes. 'xnam' y
'ynam ' deben ser celdas contenidas por caracteres,
con una fila para cada columna de X y Y,
respectivamente.
Ejemplo

61
Con los comandos siguientes es posible realizar diagramas
de dispersin de las diferentes categoras que aparecen al
cargar los datos que aparecen en discrim. Los datos se
pueden agrupar por el cdigo del tamao de la ciudad.
load discrim
gplotmatrix(ratings(:, 2:5), ratings(:, 6:), group) %

en este caso lo que hacemos es seleccionar los datos
que deseemos sean graficados de acuerdo a la
informacin contenida en la matriz ratings.
gplotmatrix(ratings(:,2:4),ratings(:,5:8),group,
'rk','.*' , [] , 'on' , '',categories(2:4,:)
,categories(5:8,:)) %para mayor entendimiento
Colocamos en el grfico marcadores, colores y lo
necesario para dar mas comprensibilidad
1
transportation
8000 2
6000
4000
2000
3500
education
3000
2500
2000 x 104
4
arts
0
4000
recreation
2000
0.5 1 1.5 2 0 2000 4000 6000 8000500 10001500 20002500

housing 4 health crime
x 10
El grfico generado por esta funcin genera la posibilidad de combinar

62
diferentes anlisis en un solo grfico, lo que puede ahorrar tiempo y dar
mayor orden las diferentes grficas de dispersin que muestra.
7. PROBABILIDAD
Distribuciones De Probabilidad Discretas
7.1.1. Distribucin Binomial
Recordemos como la distribucin binomial responde a una muestra de n

eventos independientes, en los cuales solo es posible obtener dos
resultados.
Para este caso la funcin de densidad de probabilidad es:
n x 1 x
y f x n, p p q , x 0,1, ,...n
x
n n!
Donde: x = [0 n] , p = [0 1] , q = 1- p y .
x x!n x !
Binofit ()
Descripcin Estimacin del parmetro (x) o intervalos de confianza

63
para datos de tipo binomial. (Solo dos posibilidades)
Sintaxis p = binofit (a, n)

- Devuelve la mxima probabilidad estimada para a
suceso en n oportunidades.
- a es una vector, entonces se devuelve un p(i) por
cada a(i).
- Cuando n tambin es un vector de la misma
dimensin que a se calcula un p(i) para cada a(i)
segn n(i).
[p, nc] = binofit (a, n, alpha)

- Devuelve la mxima probabilidad estimada para a
suceso en n oportunidades a un nivel de confianza
de 100(1-alpha)%.
- Por defecto el nivel de confianza es 95%, por
ejemplo si queremos un nivel de confianza de
90% el valor de alpha debe ser 0.1.
Ejemplo p = binofit (2,5) %Probabilidad de 2/5
p = 0.4000
a = [2 4 6 8] %Probabilidad de a/8
p1 = binofit (a, 8)
p1 = [0.2500 0.5000 0.7500 1.0000]
a = [2 4 6 8] %Probabilidad de a/n
n = [4 8 12 16]
p1 = binofit (a, n)

64
p1 = [0.5000 0.5000 0.5000 0.5000]
Binocdf ()
Descripcin Funcin binomial de distribucin acumulada.
n
y F x n, p p i q 1i , i 0,1, ,...n
x
i 0 x
Sintaxis p = binocdf (x, n, p)

- Devuelve el valor de la funcin binomial de
distribucin acumulada para estos parmetros.
- x, n y p, pueden ser un vector o una matriz, sin
embargo deben tener las dimensiones iguales.
Ejemplo p = binocdf (3, 4 ,0.6)
p = 0.8704
Binopdf ()
Descripcin Funcin binomial de densidad de probabilidad.
n
y f x n, p p x q 1 x , x 0,1, ,...n
x
Sintaxis p = binopdf (x, n, p)

65
- Devuelve el valor de la funcin binomial de
densidad de probabilidad para estos parmetros.
- x, n y p, pueden ser un vector o una matriz, sin
Ejemplo p = binopdf (3, 4 ,0.6)
p = 0.3456
Binoinv ()
Descripcin Funcin binomial de densidad de probabilidad inversa.
(Es la inversa de binocdf)
Sintaxis x = binoinv (y, n, p)

- Devuelve el valor de la funcin binomial inversa
para estos parmetros.
- y, n y p, pueden ser un vector o una matriz, sin
Ejemplo p = binopdf (2, 4 ,0.6)
p = 0.3456
x = binoinv (0.3456, 4 ,0.6)
x=2

66
Si la probabilidad de lanzar una moneda y obtener cara
frente a obtener sello es de 50-50, Cual seria un rango
razonable de xitos (cara) en 120 intentos?
Rango = [0.05 0.95]
Intentos = 120
P_Exito = 0.5 %Probabilidad exito
exitos = binoinv(Rango, Intentos, P_Exito)
exitos = [ 51 69 ]
Binornd ()
Descripcin Genera una seria de nmeros aleatorios a partir de una

funcin binomial y unos parmetros definidos.
Sintaxis x = binornd (n, p)

- n y p, pueden ser un vector o una matriz, sin
embargo deben tener las dimensiones iguales
Ejemplo n = [10 20 30]
x = binornd (n ,0.6)
x = [ 8 8 17 ] %Primera serie obtenida
x = [ 6 11 16 ] %Segunda serie obtenida

67
Binostat ()
Descripcin Calcula la media y la varianza para una seria con

distribucin binomial.
Sintaxis [m , v] = binostat (n, p)

Ejemplo [m , v] = binostat (4 , 0.6)
m = 2.4000 %Media
v = 0.9600 %Varianza
Nota
Para una distribucin binomial: - La media es: med = np
- La varianza es: var = npq , q=1p
7.1.2. Distribucin Poisson
La distribucin Poisson es adecuada para eventos que involucren una

cantidad determinada de casos en un tiempo, distancia o rea
determinada, solo es necesario un parmetro que sea entero no-
negativo, y el cual se considera como la media.

68
x
y f x e , x 0,1,...
x!
poissfit ()
Descripcin Estimacin del parmetro (x) o intervalos de confianza

para datos que se acomoden a las condiciones de una
Poisson.
n
1
xi
n i1
Sintaxis [lambda, linter] = poissfit (x, alpha)

- Genera el parmetro lambda ( ) a partir de la
muestra x.
- linter, muestra un intervalo con 100(1 - alpha)%
de confianza, sino se especifica este parmetro el
intervalo por defecto es de 95%.
Ejemplo c = magic(3)
c=[8 1 6
3 5 7
4 9 2 ]
[d , intervalo ] = poissfit(c)
%Parmetro e intervalo al 90%
d=[5 5 5]

69
intervalo = [ 2.7985 2.7985 2.7985
8.2467 8.2467 8.2467 ]
a = [1:10 ; 2:2:20]
a = [1 2 3 4 5 6 7 8 9 10
2 4 6 8 10 12 14 16 18 20 ]
b = poissfit (a)
b = [1.5 3.0 4.5 6.0 7.5 9.0 10.5 12.0 13.5 15.0]
Poisscdf ()
Descripcin Funcin de distribucin poisson acumulada.
i
p F x e
floor( x )

i 0 i!
Sintaxis p = poisscdf (x, lambda)

- Calcula el valor de la sumatoria de los valores
Poisson para los respectivos parmetros, donde x
puede ser un vector o una matriz, sin embargo
lambda debe ser positivo.
Ejemplo

70
Supongamos que en cierta rea el nmero X de tornados observados
durante un ao, tiene una distribucin de Poisson con = 8, entonces
cual es la probabilidad de obtener:
a. A lo mucho 5 tornados?
P(X5) entonces a = poisscdf(5 , 8) = 0.1912
b. Entre 6 y 9 tornados?
P(6X9) entonces b = poisscdf(9 ,8)- poisscdf(6 ,8)
= 0.7166 - 0.3134
= 0.4032
Poisspdf ()
Descripcin Funcin Poisson de densidad de probabilidad.
x
y f x e , x 0,1,...
x!
Sintaxis p = poisspdf (x, lambda)

- Calcula el valor de densidad Poisson para un
punto respectivo, donde x puede ser un vector o
una matriz, sin embargo lambda debe ser
positivo.
Ejemplo

71
Supongamos que en cierta rea el nmero X de
tornados observados durante un ao, tiene una
distribucin de Poisson con = 8, entonces cual es la
probabilidad de obtener:
a. exactamente 5 tornados ?
P(X=5) entonces a = poisspdf (5 , 8) = 0.0916
Poissinv ()
Descripcin Funcin Poisson de densidad de probabilidad inversa.
(Es la inversa de poisscdf)
Sintaxis x = poissinv (p, lambda)

- Devuelve el valor de la funcin Poisson inversa
mas aproximado para estos parmetros.
- p, y lambda, pueden ser un vector o una matriz,
sin embargo deben tener las dimensiones iguales.
Ejemplo
Supongamos que en cierta rea el nmero X de tornados

observados durante un ao, tiene una distribucin de
Poisson con = 8; La afirmacin de es falsa o verdadera :
a. La probabilidad de obtener a lo mas 5 tornados es

0.1912.
P(X5) = 0.1912 ?
X = poissinv (0.1912 , 8) = 5

72
Entonces la afirmacin es verdadera.
b. La probabilidad de obtener a lo mas 9 tornados es 0.812.

P(X9) = 0.812 ?
X = poissinv (0.812 , 8) = 10
La afirmacin es falsa, porque la probabilidad de 0.812 es

de esperar 10 tornados
Poissrnd ()

funcin Poisson y unos parmetros definidos.
Sintaxis x = poissrnd (lambda, n, p)

- Genera X con media aproximada a lambda, puede
ser un vector o una matriz segn las dimensiones
del parmetro.
- n y p, Sern las dimensiones de x.
Ejemplo x = poissrnd (5 , 6 ,1)
x = [2
4]

73
Media = mean (x)
Media = 4.8333
Poisstat ()

distribucin Poisson.
Sintaxis [m , v] = poisstat (lambda)

Ejemplo [m , v] = binostat (8)
m = 8.0000 %Media
v = 8.0000 %Varianza
Nota
Para una distribucin Poisson: - La media es: med =
- La varianza es: var =
7.1.3. Distribucin Hipergeometrica
La distribucin hipergeomtrica es adecuada para determinar

74
probabilidad de que ocurra en un evento en las siguientes condiciones:
la cantidad total de la poblacin (M) y de la cual escogemos una
muestra determinada (n) de donde se conoce un numero determinado
de fracasos y exitos.
K M K

y f x M , K , n x n x
M

n
hygecdf ()
Descripcin Funcin de distribucin hipergeomtrica acumulada.
K M K

y f x M , K , n i n i
x
i 0 M

n
Sintaxis h = hygecdf (x,M,n,K)

- Calcula el valor de la sumatoria de los valores
para la distribucin hipergeomtrica para los
respectivos parmetros, donde x,M,n,k pueden
ser un vector o una matriz.
Ejemplo
Se tienen 100 microchips, y se sabe que 20 de estos estn

daados. Cul es la probabilidad de sacar entre 0 y 3
75
microchips daados de una muestra aleatoria de 10
microchips que escogemos?
p = hygecdf(3,100,20,10)
p = 0.8904
Hygepdf ()
Descripcin Funcin hipergeomtrica de densidad de probabilidad.
K M K

y f x M , K , n x n x
M

n
Sintaxis p = hygepdf (x,M,n,K)
- Calcula el valor para la distribucin
hipergeomtrica para los respectivos parmetros,
donde x,M,n,k pueden ser un vector o una matriz.
- Donde M,n,k deben ser enteros positivos.
Ejemplo

daados. Cul es la probabilidad de sacar entre 0 y 5
microchips respectivamente daados de una muestra
aleatoria de 10 microchips que escogemos?
p2 = hygepdf(0:3,100,20,10)
p2 = [ 0.0951 0.2679 0.3182 0.2092 ]

76
suma = sum(p2)
suma = 0.8904
% Como se ve la suma de las probabilidades individuales

corresponde a la probabilidad acumulad calculada en el
ejemplo anterior (p = 0.8904)
Hygeinv ()
Descripcin Funcin Hipergeomtrica de densidad de probabilidad

inversa. (Es la inversa de hygecdf)
Sintaxis X = hygeinv (P,M,K,N)

- Devuelve el valor de la funcin Hipergeomtrica
inversa mas aproximado para estos parmetros.
- p puede ser observada como la probabilidad al
evaluar la funcin hipergeomtrica con los
parmetros x, m, k, n.
Ejemplo

daados. Obtengo una muestra aleatoria de 10 microchips
de los cuales se desea saber cual es el nmero mximo de
microchips daados cuando se aceptan el 90% de error?

77
y = hygeinv(0.9,100,20,10)
y=4
Si embargo si retomamos el primer ejemplo de esta seccin

obtendremos que:
p = hygecdf(3,100,20,10)
p = 0.8904
x = hygeinv(p,100,20,10) = hygeinv(0.8904,100,20,10)
x=3
Hygernd ()

funcin hipergeomtrica y unos parmetros definidos.
Sintaxis x = hygernd (M,K,N, f,c)

- Genera valores que se aproximen a una
distribucin hipergeomtrica con parmetros M, K
y N, pueden ser un vector o una matriz sin
embargo de las misma dimensiones.
- Los parmetros f y c son opcionales y permiten
generan un matriz aleatoria de dimensiones (f-
filas, c - columnas) con las especificaciones
previas.
x = hygernd (M,K,N,v)

78
- Genera valores aleatorios en una matriz con
dimensiones v x v.
Ejemplo x = hygernd(1000,40,50)
x=2
x = hygernd(1000,40,50,2,3)
X=[3 4 2
2 2 3]
hygestat ()

distribucin Hipergeometrica.
Sintaxis [m , v] = hygestat (M,K,N)

- M, K y N, pueden ser un vector o una matriz, sin
embargo deben tener las dimensiones iguales, y
determinan los parmetros de la distribucin que
se usa.
Ejemplo [m , v] = hygestat (8)
[m,v] = hygestat(10,1,9)
m = [ 0.9000 ] %Media
v = [ 0.0900 ] %Varianza
[m,v] = hygestat(10,3,9)
79
m = [ 2.7000 ] %Media
v = [ 0.2100 ] %Varianza
Nota
NK
Para una distribucin Hipergeometrica: - La media es: med =
M
K M K M N
- La varianza es: var = N
M M M 1
Distribuciones De Probabilidad Continuas
7.1.4. Distribucin Normal
La distribucin Gaussiana o comnmente conocida como Normal por que

la mayora de las variables continas se ajustan a este tipo de
distribucin, esta en funcin de dos parmetros: la media y la
desviacin estndar.

X ~ N , 2
La funcin de densidad de probabilidad para la normal es:
x 2
y f x ,
1 2 2
e
2
80
La distribucin normal estndar tiene una media ( 0) y la desviacin estndar. ( 1)
normcdf ()
Descripcin Funcin de distribucin normal acumulada.
t 2
x
y f x ,
1 2 2
2 e

dt
Sintaxis p = normcdf (x,mu,sigma)

- Calcula el valor de la integral para la distribucin
normal con los respectivos parmetros, donde
x,mu,sigma pueden ser un vector o una matriz.
sigma debe ser positivo.
[p, plo, pup] = normcdf (x,mu,sigma,pcov, alpha)

- Calcula el valor de un intervalo de confianza con
los parmetros estimados, donde pcov es la
covarianza estimada, y alpha especifica la
confianza 100(1-alpha)%.
- Plo (PLow) Especifica el limite inferior.
- Pup (PUp) Especifica el limite superior.
Ejemplo
La funcin normcdf puede ser usada de la misma

manera que una tabla de distribucin normal estndar
en la cual especificamos la media y la desviacin
estndar como:
81
0 y 1.
mu = 0; sigma=1;
X = normcdf(0, mu, sigma)
X = 0.5000
Y = normcdf(-1, mu, sigma)
Y = 0.1587
Z = normcdf(1, mu, sigma)
Z = 0.8413
Podemos generar una completa tabla de la distribucin

normal estndar usando el siguiente cdigo:
mu = 0; sigma=1;z=(-3:0.1:3);
X = normcdf(z, mu, sigma);
Tabla = [z ; X]
Normpdf ()
Descripcin Funcin normal de densidad de probabilidad.
x 2
y f x ,
1 2 2
e
2
Sintaxis p = normpdf (x,mu,sigma)

82
- Calcula el valor de la funcin para la distribucin
x,mu,sigma pueden ser un vector o una matriz.
sigma debe ser positivo.
Ejemplo
a = [-3:0.01:3];
p = normpdf(a,0,1); % Funcin para una normal estndar
plot(a ,p) % Grafica la probabilidad para cada

punto de la funcin normal estndar
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-3 -2 -1 0 1 2 3
norminv ()
Descripcin Funcin Normal de densidad de probabilidad inversa. (Es la

inversa de normcdf)

83
Sintaxis X = norminv(P, mu, sigma)
- Devuelve el valor de la funcin Normal inversa mas
aproximado para estos parmetros.
- P es interpretada como la probabilidad al evaluar
la funcin normal con los parmetros mu y sigma
(debe ser positivo).
- Como P es una probabilidad debe estar dentro del
intervalo [0 1].
Ejemplo
Encuentre un intervalo que contenga el 95% de los valores

de una distribucin normal estndar.
x = norminv([0.025 0.975],0,1) % Intervalo para 95%
x=[ -1.9600 1.9600 ] % Mas Compacto y

simtrico.
Ntese que el intervalo anterior no es el nico que contiene

el 95% de los elementos de una distribucin de este tipo,
por ejemplo:
xx = norminv([0.01 0.96],0,1) % Intervalo para 95%
xx = [ -2.3263 1.7507 ]
Este intervalo tambin contiene el 95% de los datos de una

distribucin normal estndar sin embargo no es tan
compacto.
A partir de la informacin anterior, los intervalos para 90% y

99% serian:

84
X1 = norminv([0.05 0.95],0,1) % Intervalo para 90%
X1 = [ -1.6449 1.6449 ]
X2 = norminv([0.005 0.995],0,1) % Intervalo para 99%
X2 = [ -2.5758 2.5758 ]
Normrnd ()

funcin normal y unos parmetros definidos.
Sintaxis x = normrnd (mu, sigma , f, c)

distribucin normal con parmetros mu y sigma,
pueden ser un vector o una matriz sin embargo
de las misma dimensiones.
previas.
x = normrnd (mu, sigma,v)

dimensiones v x v.
Ejemplo x = normrnd(0,1,3)
% Con una distribucin normal estndar
x = [ 0.1326 -1.5804 -1.0246

85
1.5929 -0.0787 -1.2344
1.0184 -0.6817 0.2888 ]
x = normrnd(0,1,2,5)
% Con una distribucin normal estndar
x = [ 1.0378 -1.3813 1.5532 1.9574 1.8645
-0.3898 0.3155 0.7079 0.5045 -0.3398 ]
x = normrnd(5,0.5,1,5)
% Con una distribucin normal de media igual a 5 y

desviacin estndar igual a 0.5
x = [ 4.7535 5.2310 4.8395 5.6183 4.6844 ]
Normstat ()

distribucin Normal.
Sintaxis [m , v] = normstat (mu, sigma)

- Mu y sigma, pueden ser un vector o una matriz,
sin embargo deben tener las dimensiones iguales,
y determinan los parmetro de la distribucin que
se usa.

86
Ejemplo [m , v] = normstat (0,1)
m=[0]
v=[1]
n = 1:3 m= [ 1 2 ; 3 4]
n = [1 2 3] m=[1 2
3 4 ]
[m,v] = normstat(n , n)
m= [1 2 3 ] [m,v] = normstat(m, m)
v= [1 4 9 ] m=[1 2
3 4]
v=[1 4
9 16 ]
Nota
Para una distribucin Normal: - La media es: med =
- La varianza es: var = 2

Normfit ()
Descripcin Devuelve una estimacin de los parmetros e intervalos de

confianza para una muestra con distribucin normal.

87
Sintaxis [mu , sigma] = normfit (muestra)
- Retorna la estimacin de la media ( ) y la
desviacin estndar ( ) para muestra, la cual
puede es una matriz.
[mu,sigma,muint,sigmaint] = normfit(muestra, alpha)

puede es una matriz. Adems de generar
intervalos a un nivel de confianza alpha para cada
parmetro.
- muint y sigmaint, son matrices en las cuales la
primera fila corresponde al intervalo del limite
inferior y la segunda fila corresponde a un
intervalo para el limite superior de la estimacin
del parmetro respectivo.
- Si no se incluye el argumento alpha en la funcin
se toma el nivel alpha por defecto que es 0.05, es
decir un nivel de confianza de 95%. Pero si lo
incluimos alpha, el nivel de confianza ser 100(1 -
alpha) %.
Ejemplo
En este ejemplo tenemos una muestra aleatoria con 10

elementos, con media ()= 15 y desviacin estndar ( )
= 2.
muestra = normrnd(15,2,10,1)
muestra = 15.9710
14.9900
14.4476

88
17.5529
18.7268
13.9549
15.2068
13.3847
16.3609
10.2708
[mu,sigma,muint,sigmaint] = normfit(muestra)
mu = 15.0866
sigma = 2.3462
muint = 13.4083
16.7650
sigmaint = 1.6138
4.2832
En este caso los valores mu y sigma corresponden a la

media y la desviacin estndar de la muestra, sin embargo
ntese que los valores reales se encuentran dentro de los
intervalo respectivos.
Normplot()
Descripcin Genera un grafico de distribucin normal para una prueba

grafica.

89
Sintaxis normplot (muestra)

- Devuelve el grafico de la muestra ubicando cada
elemento como +, junto con una lnea que
representa el primer y el tercer cuartil, til para
identificar la linealidad de la muestra.
- Entre mas normal se comporte la muestra mas
lineal debe ser, sobreponindose sobre la lnea de
referencia.
Ejemplo
muestra = normrnd(0,1,10,2)
muestra = 0.8115 -0.6547
0.6363 -1.0807
1.3101 -0.0477
0.3271 0.3793
-0.6730 -0.3304
-0.1493 -0.4999
-2.4490 -0.0360
0.4733 -0.1748
0.1169 -0.9573
-0.5911 1.2925
normplot(muestra)

90
Normal Probability Plot
0.95
0.90
0.75
Probability
0.50
0.25
0.10
0.05
-2.5 -2 -1.5 -1 -0.5 0 0.5 1

Data
x = normrnd(0,1,50,1);
Normal Probability Plot
0.99
0.98
0.95
0.90
0.75
Probability
0.50
0.25
0.10
0.05
0.02
0.01
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Data

91
normspec()
Descripcin Genera un grafico de densidad para una distribucin normal.
Sintaxis p = normspec (limites, mu, sigma)

- Devuelve el grafico junto con la probabilidad p,
correspondiente al rea de inters, es decir, la
ubicada dentro de los limites definidos en el
vector que lleva el mismo nombre.
- Dentro del vector limites al menos uno de los
valores debe ser real, no se acepta que el
intervalo vaya desde infinito a infinito.
Error: limites = [-Inf Inf]
- Mu y sigma, corresponden a los parmetros
propios de cada muestra.
Ejemplo
Tenemos una distribucin normal estndar, y

deseamos saber cuanta probabilidad existe:
a. antes de 0.5
a = normspec([-Inf 0.5],0,1)
a = 0.6915

92
Probability Less than Upper Bound is 0.69146
0.4
0.35
0.3
0.25
Density
0.2
0.15
0.1
0.05
0
-4 -3 -2 -1 0 1 2 3 4
Critical Value
a. despus de - 0.3
b = normspec([-0.3 Inf],0,1)
b= 0.6179
Probability Greater than Lower Bound is 0.61791

0.4
0.35
0.3
0.25
Density
0.2
0.15
0.1
0.05
0
-4 -3 -2 -1 0 1 2 3 4
Critical Value
b. entre - 0.3 y 0.5

c = normspec([-0.3 0.5],0,1)
c = 0.3094

93
Probability Between Limits is 0.30937
0.4
0.35
0.3
0.25
Density
0.2
0.15
0.1
0.05
0
-4 -3 -2 -1 0 1 2 3 4
Critical Value
Suponga que un productor de cereal desea saber: cual es

el porcentaje de cajas de cereal con ms de 10 onzas ?.
Suponemos que el contenido de las cajas tiene una
distribucin normal con media en 11.5 onzas y una
desviacin estndar de 1.25 onzas.
P = normspec([10 Inf],11.5,1.25)
P = 0.89849
Probability Greater than Lower Bound is 0.88493

0.35
0.3
0.25
0.2
Density
0.15
0.1
0.05
0
7 8 9 10 11 12 13 14 15 16
Critical Value

94
7.1.5. Distribucin Exponencial
La distribucin Exponencial es un caso especfico de la distribucin

gamma (con a=1), y es la siguiente:
x x
y f x a, b a
1 1
x a 1e b e b
b ( a ) b
Donde . es la funcin Gamma.
La distribucin exponencial es especial para modelar eventos

recurrentes durante un intervalo de tiempo determinado.
La distribucin exponencial acumulada es:
y f x
1
e , donde es la media observada.

Expcdf ()
Descripcin Funcin de distribucin exponencial acumulada.
t
x x
y F x
1
e dt 1 e
0

95
Sintaxis p = expcdf (x,mu)

exponencial con los respectivos parmetros,
donde x,mu pueden ser un vector o una matriz.
mu debe ser positivo.
- P ser el resultado correspondiente a una
probabilidad de que una observacin de una
distribucin exponencial se ubicara dentro del
intervalo [0 x].
[p, plo, pup] = normcdf (x,mu,sigma,pcov, alpha)

- Calcula el valor de un intervalo de confianza con
los parmetros estimados, donde pcov es la
varianza del estimado mu, y alpha especifica la
confianza 100(1-alpha)%.
- Plo (PLow) Especifica el limite inferior.
- Pup (PUp) Especifica el limite superior.
Ejemplo
En una lnea de atencin al cliente el tiempo de espera(X) entre

la llamada y la atencin de la misma tiene una distribucin
exponencial con un tiempo esperado de 5 segundos. Cual es
la probabilidad de que el tiempo de espera:
a. sea a lo sumo 10 segundos?

P(X10) p = expcdf(10,5)
p = 0.8647
b. sea Mayor de 10 segundos?

P(X>10) = 1 - P(X10) p = 1 expcdf(10,5)
p = 0.1353
96
c. Se encuentre entre 5 y 10 segundos?
P(5>X>10) = P(X10) - P(X5)
P= expcdf(10,5) - expcdf(5,5)
p = 0.8647 - 0.6321
p = 0.2325
Exppdf ()
Descripcin Funcin exponencial de densidad de probabilidad.
y f x
1
e

Sintaxis p = exppdf (x,mu)
x,mu pueden ser un vector o una matriz. mu debe
ser positivo.
Ejemplo
Retomando el ejemplo anterior tenemos que:
En una lnea de atencin al cliente el tiempo de espera(X)

entre la llamada y la atencin de la misma tiene una
distribucin exponencial con un tiempo esperado de 5
segundos. Cual es la probabilidad de que el tiempo de

97
espera:
a. sea 10 segundos?
P(X=10) p = exppdf (10,5) = 0.0271
b. sea 5 segundos?
P(X=5) p = exppdf(5,5) = 0.0736
c. sea 3 segundos?
P(X=3) p = exppdf(3,5) = 0.1098
Si deseamos ver la grafica completa de nuestra distribucin

exponencial tenemos que:
a = [0:0.01:30];
y = exppdf(a,5);
plot (a,y)
Y se generar una grafica como la siguiente:
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0 5 10 15 20 25 30
Expinv ()

98
Descripcin Funcin Exponencial de densidad de probabilidad inversa.

(Es la inversa de expcdf)
Sintaxis X = expinv(P, mu)

- Devuelve el valor de la funcin Exponencial inversa
mas aproximado para estos parmetros.
intervalo [0 1]. mu debe ser positivo.
Ejemplo
Retomando, en una lnea de atencin al cliente el tiempo de

espera(X) entre la llamada y la atencin de la misma tiene
una distribucin exponencial con un tiempo esperado de 5
segundos.
Con una probabilidad P, a cuantas llamadas se aproxima?

a. P = 0.9
X = expinv(0.9, 5) = 11.5129
b. P = 0.8
X = expinv(0.8, 5) = 8.0472
c. P = 0.5
X = expinv(0.5, 5) = 3.4657
d. P = 0.8647
%Como en el ejemplo anterior vimos que esta era la
probabilidad para a lo sumo recibir 10 llamadas.
X = expinv(0.8647, 5) = 10.0013

99
exprnd ()

distribucin exponencial y unos parmetros definidos.
Sintaxis x = exprnd (mu, f, c)

distribucin exponencial con parmetros mu
previas.
x = normrnd (mu, v)
dimensiones v x v.
Ejemplo
x = exprnd(2.5,1,5) % Muestra aleatoria de 1 fila y 5

columnas a partir de distribucin exponencial de
= 2.5
x = 2.0259 1.2136 0.5832 0.2035 0.7588
x = exprnd(3,3) % Muestra aleatoria de 3x3 a partir de

distribucin exponencial de = 3
x= [0.3373 0.6205 4.7871
8.5476 13.8574 4.8475
3.1250 5.9222 1.5136 ]

100
Expstat ()
Descripcin Calcula la media y la varianza para una serie con

distribucin Exponencial.
Sintaxis [m , v] = expstat (mu)

- Mu, puede ser un vector o una matriz, sin
embargo debe ser positivo.
Ejemplo [m , v] = expstat ([1:5])
m=[1 2 3 4 5 ]
v=[1 4 9 16 25 ]
Nota
Para una distribucin Exponencial: - La media es: med =
- La varianza es: var = 2
expfit ()

confianza para una muestra con distribucin exponencial.
101
Sintaxis [mu] = normfit (muestra)

- Retorna la estimacin del parmetro ( -media
valor esperado) para muestra, la cual puede es
una matriz.
[mu,muint] = normfit(muestra, alpha)

- Retorna la estimacin de la media ( ) para
muestra, la cual puede es una matriz. Adems de
generar intervalos a un nivel de confianza alpha
para cada parmetro.
- muint, es un vector en el cual la primera fila
corresponde al limite inferior y la segunda fila
corresponde al limite superior de un intervalo de
estimacin del parmetro respectivo.
alpha) %.
Ejemplo

elementos, con media ()= 5.
muestra = exprnd(5,10,1)
muestra = 2.4272
1.1664
0.4071
1.5177

102
8.6788
4.5106
0.3335
0.4338
4.4547
0.5622
[mu,muint] = expfit(muestra)
mu = 2.4492
muint = 1.4335
5.1074
En este caso el valor mu y corresponde a la media de la

muestra, sin embargo, aunque dista mucho del parmetro
original este se encuentre en el intervalo.
7.1.6. Distribucin Gamma
La distribucin Gamma es una familia de curvas que dependen de dos

parmetros, a partir de esta obtenemos otras distribuciones como la
exponencial o la Chi-cuadrado. La funcin de densidad gamma esta
definida como:
y f x a, b a
1
x a 1e b
b ( a )

103
gamcdf ()
Descripcin Funcin de distribucin gamma acumulada.
t
x
p f x a, b
1 b

a 1
t e dt
b ( a ) 0
a
Sintaxis p = gamcdf (x,a,b)

x,a,b pueden ser un vector o una matriz. a y b
deben ser positivos.
Ejemplo
P1 = gamcdf(10,1,5)= 0.8647 %Como vemos la gamma con

a = 1,
P2 = expcdf(10,5)= 0.8647 es la exponencial.
Suponga que el tiempo de supervivencia en minutos de un

ratn de laboratorio, que ha ingerido cierta clase de veneno
tiene una distribucin gamma con a = 5 y b = 7. Cual es la
probabilidad de que el ratn sobreviva:
a. menos de 30 minutos?

104
P(X30) P = gamcdf(30,5,7) = 0.4268
b. mas de 60 minutos?
P(X>60) = 1 P(X60) P = 1 - gamcdf(60,5,7) = 1

- 0.9287
= 0.0713
c. entre 30 y 60 minutos?
P(30<X<60) = P(X60) - P(X30)
P = gamcdf(60,5,7) - gamcdf(30,5,7)= 0.9287 -

0.4268
= 0.5019
gampdf ()
Descripcin Funcin gamma de densidad de probabilidad.
y f x a, b a
1
x a 1e b
b ( a )
Sintaxis p = gampdf (x,a,b)

- Calcula el valor para la distribucin gamma con
los respectivos parmetros, donde x,a,b pueden
ser un vector o una matriz.
- a y b deben ser positivos, mientras x debe estar
en el intervalo [0 ].
Ejemplo
Vamos a graficar la funcin completa para cada punto del

105
ejemplo anterior.

tiene una distribucin gamma con a = 5 y b = 7.
X =[0:0.1:100];
P = gampdf(X,5,7);
plot(X,P)
0.03
0.025
0.02
0.015
0.01
0.005
0
0 10 20 30 40 50 60 70 80 90 100
gaminv ()
Descripcin Funcin Gamma de densidad de probabilidad inversa. (Es la

inversa de gamcdf)
Sintaxis X = gaminv(P, mu, sigma)

106
- Devuelve el valor de la funcin Gamma inversa mas
aproximado para estos parmetros.
- P es interpretada como la probabilidad al evaluar
la funcin gamma con los parmetros a y b
(deben ser positivo).
intervalo [0 1].
Ejemplo

tiene una distribucin gamma con a = 5 y b = 7.Con una
probabilidad de P cuantos minutos aproximadamente pueden
sobrevivir:
a. P = 0.3?
X = gaminv(0.3,5,7) = 25.4353
b. P = 0.5?
X = gaminv(0.5,5,7) = 32.6964
c. P = 0.9?
X = gaminv(0.9,5,7) = 55.9551
d. P = 0.4268?
%Comprobamos la respuesta obtenida en el ejemplo de
gamcdf.
X = gaminv(0.4268,5,7) = 30
gamrnd ()

107

funcin gamma y unos parmetros definidos.
Sintaxis x = gamrnd (a, b , f, c)

distribucin gamma con parmetros a y b, pueden
ser un vector o una matriz sin embargo de las
misma dimensiones.
previas.
x = gamrnd (a, b ,v)

dimensiones v x v.
Ejemplo x = gamrnd(5,7,3)
% Genera una matriz de 3x3 con a=5 y b=7.
x = [26.5524 37.2128 54.1503
13.3987 18.2161 32.1009
34.5988 54.1874 37.8700]
x = gamrnd(3,2,2,4)
% Genera una matriz de 2x4 con a=3 y b=2.
x = [ 5.0270 6.3538 8.0230 3.3780
3.0506 2.0514 12.5873 8.6550]

108
Gamstat ()

distribucin gamma.
Sintaxis [m , v] = gamstat (a,b)

- a y b, pueden ser un vector o una matriz y
determinan los parmetros de la distribucin que
se usa.
Ejemplo [m , v] = gamstat (3, 2)
m=[6]
v = [ 12 ]
[m,v]= gamstat([3 5 8 9],2)
m=[6 10 16 18 ]
v = [ 12 20 32 36 ]
Nota
Para una distribucin Gamma: - La media es: med = ab
- La varianza es: var = ab2
Gamfit ()
109

confianza para una muestra con distribucin gamma.
Sintaxis [parmetros] = gamfit (muestra)

- Retorna la estimacin de los parmetros(a y b)
para esta distribucin segn muestra, la cual
puede es una matriz.
[parmetros, intervalos] = gamfit(muestra, alpha)

puede es una matriz. Adems de generar
intervalos a un nivel de confianza alpha para cada
parmetro.
- intervalos, es una matriz en las cuales la primera
fila corresponde al limite inferior y la segunda fila
corresponde a al limite superior de la estimacin
del parmetro respectivo.
alpha) %.
Ejemplo

elementos, con a = 3 y b = 5.
muestra = gamrnd(3,5,10,1)
110
muestra = 6.4338
28.5470
7.7809
18.1332
15.2054
7.1337
2.3030
12.8559
6.6668
19.0060
[parmetros, intervalos] = gamfit(muestra)
parmetros = [ 2.5314 4.9010 ]
intervalos = [ 1.1090 1.9676
5.7782 12.2078 ]
En este caso los valores a y b corresponden a una estimacin a

partir de la muestra, sin embargo ntese que los valores reales se
encuentran dentro de los intervalo respectivos.
7.1.7. Distribucin Chi-Cuadrado

2
La distribucin Chi-Cuadrado es un caso especfico de la distribucin

gamma (con b=2), y es la siguiente:

111
x x
y f x a, b a
1 1
x a 1e b a x a 1e 2
b ( a ) 2 ( a )
Donde . es la funcin Gamma y se incluye v que representa los

grados de libertad. a 2 .Entonces tenemos que la distribucin Chi-
v
Cuadrado acumulada es:
v 2
y f x v v
x 2 e x2
2 2 ( v 2 )
chi2cdf ()
Descripcin Funcin de distribucin Chi-Cuadrado acumulada.
x v2
y F x v v
t 2 e t 2
dt
0 2 ( 2 )
2 v
Sintaxis p = chi2cdf (x,v)

Chi-cuadrado con los respectivos parmetros,
donde x,v pueden ser un vector o una matriz. v
son los grados de libertad y junto con x deben ser
positivo.
- P ser el resultado correspondiente a una
probabilidad de que una observacin de una

112
distribucin exponencial se ubicara dentro del
intervalo [0 x].
Ejemplo
P1 = chi2cdf (10,8) %Como vemos la distribucin Chi se P1 =

0.7350 comporta de la misma manera que
P2 = gamcdf (10,4,2) una gamma con parmetros a=v/2 es p2 =

0.7350 decir 4 y b=2.
chi2pdf ()
Descripcin Funcin Chi-cuadrado de densidad de probabilidad.

v 2
y f x v v
x 2 e x2
2 2 ( v 2 )
Sintaxis p = exppdf (x,v)
x,mu pueden ser un vector o una matriz. v son los
grados de libertad y junto con x deben ser
positivo.
Ejemplo
x = (0:0.1:50); %Parmetros
v1 = 4; v2 = 8; v3 = 16;v4 = 32; %Grados de libertad
p1 = chi2pdf(x,v1); %Primera Funcin Color AZUL

113
p2 = chi2pdf(x,v2); %Segunda Funcin Color VERDE
p3 = chi2pdf(x,v3); %Tercera Funcin Color ROJA
p4 = chi2pdf(x,v4); %Cuarta Funcin Color CYAN
plot(x,p1, x,p2, x,p3,x,p4)
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0 5 10 15 20 25 30 35 40 45 50
chi2inv ()
Descripcin Funcin chi-cuadrado de densidad de probabilidad inversa.

(Es la inversa de chi2cdf)
Sintaxis X = chi2inv(P, v)
- Devuelve el valor de la funcin chi-cuadrado
inversa mas aproximado para estos parmetros.
114
intervalo [0 1]. v debe ser positivo.
Ejemplo
Con esta funcin podemos comprobar el resultado obtenido en el

ejemplo de chi2cdf. ( P1 = chi2cdf (10,8)=0.7350 ) Entonces:
X1=chi2inv(0.735,8)
X1=10.0004
Supongamos que tenemos una muestra con distribucin Chi-cuadrado

y 5 grados de libertad. Qu valor excedera al 90% de la muestra?
x = chi2inv(0.95,5)
x = 11.0705
Entonces solo se observaran valores mayores de 11 con una

oportunidad del 5%.
chi2rnd ()

distribucin Chi-cuadrado y unos parmetros definidos.
Sintaxis x = chi2rnd (v, f, c)

115
distribucin exponencial con parmetro v.
previas.
x = normrnd (mu, v)
dimensiones v x v.
Ejemplo
x = chi2rnd(10,4,2) % Muestra aleatoria de 4 fila y 2

columnas a partir de distribucin Chi-
cuadrado de v = 10
x=[ 10.1084 22.3001
8.5497 8.7564
12.8334 9.8343
7.0153 14.7426 ]
x = chi2rnd(10,3) % Muestra aleatoria de 3x3 a partir de distribucin

Chi-cuadrado de v = 10
x = [ 7.5864 10.6322 15.4715
3.8282 5.2046 9.1717
9.8854 15.4821 10.8200 ]

116
chi2stat ()
Descripcin Calcula la media y la varianza para una serie con

distribucin Chi-cuadrado.
Sintaxis [m , v] = chi2stat (V)

- v, puede ser un vector o una matriz, sin embargo
debe ser positivo.
Ejemplo [m,v] = chi2stat([1:5])
m=[1 2 3 4 5]
v = [ 2 4 6 8 10]
Nota
Para una distribucin Chi-cuadrado: - La media es: med = v
- La varianza es: var = 2v
7.1.8. Distribucin Beta
La distribucin Beta es una familia de curvas que se encuentran dentro

del intervalo (0 1], esta funcin de densidad beta esta definida como:

117
y f x a, b x a 1 1 x I 0,1 x
1 b 1
B ( a , b)
I ( 0,1) x significa que el valor de x se ubicara dentro del intervalo (0 1).
Donde B. es la funcin Beta.
a b
1
Ba, b t a 1 1 t dt
b 1
0
a b
betacdf ()
Descripcin Funcin de distribucin beta acumulada.
x
y f x a, b
1

a 1 b 1
t 1 t dt
B ( a , b) 0
Sintaxis p = betacdf (x,a,b)

x,a,b pueden ser un vector o una matriz. a y b
deben ser positivos, mientras x debe estar en el
intervalo [0 1].
Ejemplo

118
x = [0:0.1:1];
p=betacdf(x,5,4)
0 0.0004 0.0104 0.0580 0.1737 0.3633 0.5941 0.8059

0.9437 0.9950 1.0000

119
ANEXO 1
INNOVACIONES DE MATLAB 7
MATLAB es un software muy utilizado en diferentes reas en las que

resulta aplicable el lenguaje matemtico, debido a este importante
factor y a que es necesario innovar y mejorar las condiciones de trabajo,
el software ha tenido una serie de modificaciones que permiten trabajar
en un escenario que se adecua a las necesidades para este tipo de
programas. Teniendo en cuenta lo anterior es de vital importancia tener
conocimiento de estas nuevas caractersticas; para ello hemos tomado
algunas de ellas con el objetivo que los usuarios del presente informe, al
igual que nosotros como sus creadores, tengamos la posibilidad de
conocer las facilidades presentadas por el programa y encontremos la
mejor forma de aplicarlas a las labores especificas que realizamos.
NUEVAS CARACTERISTICAS
1. El desktop en MATLAB 7 ha sido rediseado para tener una

mayor funcionalidad y sensibilidad que facilite el entendimiento y
agilidad para llevar a cabo diferentes operaciones. Las nuevas
caractersticas del desktop permiten trabajar en diferentes
documentos al interior de MATLAB de forma simultnea, adems

120
de la posibilidad de guardar customs layout y definir shortcuts
que facilitan el uso de los comandos.
2. En MATLAB 7 podemos crear algunas variables de de diferentes

caractersticas simplemente llamando las mismas con la funcin
create, cuando presionamos Tab despus de escribir el comando
se despliega una lista de todos los posibles comandos y funciones
y variables que comienzan con caracteres de este tipo (create).
3. Una de las grandes ventajas del MATLAB 7 es que permite la

realizacin de grficos desde la ventana del workspace, en la cual
con un simple click en el icono ( ) que aparece esta ventana

podemos escoger el tipo de grfica que deseamos realizar con la
variable seleccionada.
4. Permite la posibilidad de ver las grficas realizadas al interior del

desktop y no en una ventana aparte como lo realiza por defecto,
para ello basta con presionar en la parte superior derecha de la
ventana de figuras en la flecha dirigida hacia la parte de abajo( ),
esta nueva caracterstica aplica para otras ventanas, por ejemplo
la ventana del Editor.
5. Se tiene la posibilidad de trabajar con diferentes documentos

como arrays, m-files, figuras y otros, en una misma ventana,
para ello debemos guardar y aplicar la opcin desktop layouts que

121
se encuentra dentro del desktop de la barra de mens, en la cual
utilizando la opcin de large documents Windows (grfica 1).
GRAFICA 1
6. Despus de habilitar la opcin mencionada con anterioridad, el

programa permite adems manipular la forma en la cual se
muestran los archivos, funciones o dems en la respectiva
ventana, es decir la cantidad de archivos que queremos que nos
muestre en la misma (ver grfica 2). Esta nueva caracterstica de
MATLAB 7 facilita el trabajo, dndonos la oportunidad de un mejor
entorno de trabajo que agilice el trabajo en el programa.

122
GRAFICA 2
7. Es posible en este modo abrir y editar cell arrays y estructuras

desde el workspace, para diferentes tipos de informacin
almacenada, desde la ventana del array editor es posible modificar
los datos, al igual que graficar la totalidad o parte de los datos a
parte de ellos con un simple clic en el icono ( ).
8. Otras de las grandes ventajas que presenta MATLAB 7 es la

relacionada con la creacin de shortcuts, que permiten usar de
manera cmoda y gil algunos de los comandos ejecutados en el
programa, para ello basta con seleccionar en el desktop la opcin
de shortcuts toolbar y arrastrar con el Mouse hasta la parte
superior derecha en frente de los shortcuts que aparecen por

123
defecto algn comando existente en el Comand History,
automticamente nos pide una etiqueta y despus de guardar el
mismo comando que llevamos se ejecuta de forma gil dando un
solo clic sobre el nombre que le hallamos colocado
EDITOR AND DEBUGGER
9. Para revisar los M-files MATLAB 7 ofrece gran facilidad, basta con
abrir el archivo desde el current directory y dirigirse a la opcin
cell de la barra de mens y habilitar el cell mode; en el editor
las celdas aparecen separadas por doble comentario (%%),
adems es posible ejecutar y avanzar a la otra celda con un solo
clic en el icono ( ), lo que realiza este botn es ejecutar las

celdas y avanzar a la siguiente que encuentre basndose en los
dos %%, esta nueva caracterstica agiliza el trabajo y la revisin
de los M-files que en ocasiones pueden llegar a ser muy extensos.
10. En MATLAB 7 es posible de forma automtica pasar o

publicar el M-code a formato HTML, WORD, u otros formatos a
documentos de trabajo o a partes de los mismos, con un solo clic
( ).
11. El editor ahora identifica otros lenguajes importantes como

c/ c++, html, and Java Code. Basta nicamente con dirigirse al

124
curren directory que ya reconoce este tipo de archivos y al dar clic
derecho, escoger la opcin de abrir texto.
12. Condicional breakpoints: En primer lugar se debe escoger la

opcin disable cell mode en el men cell (ver grfica 3),
despus de esto es posible colocar breakpoints dando clic en el
icono que posee el programa para desarrollar esta tarea ( ). Esta

posibilidad nos permite trabajar y evaluar nuestros M-files hasta el
punto de quiebre definido lo que facilita la deteccin de posibles
errores, y el establecimiento de condiciones que debe cumplir el
archivos en este punto.
GRAFICA 3
13. Otra de las nuevas ventajas de MATLAB 7 es la de colocar

bloques completos de comentarios, para ello basta es posible
colocar bloques de comentarios colocando simplemente el smbolo
porcentaje (%), acompaado de un corchete abierto; el bloque de
comentarios se cierra de la misma forma como se abri y cerrando
el corchete correspondiente. Esta nueva caracterstica agiliza el
trabajo en el programa y permite la posibilidad de escribir grandes

125
cantidades de ayudas en el M-file que pueden orientar mejor la
posterior revisin de los mismos.
GRFICAS
14. MATLAB 7 tiene bastantes innovaciones en este aspecto, y

en su mayora son enfocadas a incrementar el manejo de las
grficas por medio de iconos y disminuir en alguna medida la
programacin necesaria para la realizacin, y principalmente la
modificacin de las mismas. Cuando abrimos un archivo tenemos
la posibilidad de valuar puntos especficos simplemente dando clic
en el icono data cursor ( ), y el cursos nos indica

automticamente el valor de las variables en el punto
seleccionado dentro de la grfica. Si queremos que nos muestre
en una ventana aparte el valor de las variables en el punto
especifico simplemente damos clic derecho y escogemos la opcin
Display Style y en esta damos clic en Window Incide Figure.
(ver grfica 4)

126
FIGURA 4
15. Otra de las innovaciones presentadas por MATLAB 7 es la

posibilidad de realizar anotaciones al interior de las grficas, para
ello basta con pulsar en la flecha que aparece en la barra de
herramientas del dibujo ( ), y seleccionando la opcin Insert

Text Arrow (ver grfica 5) podemos colocar al interior del grafico
la flecha que deseamos, el programa por defecto coloca
anotaciones correspondientes a la grfica en general y no al punto
que se esta sealando.
16. Tambin es posible agregar otros pequeos grficos como

rectngulos, elipses, cuadros de texto simplemente escogiendo la
opcin insertar y seleccionando lo que deseamos insertar en la
grfica. Existe tambin la posibilidad de modificar las propiedades
127
de las imgenes realizadas simplemente dando doble clic en el
objeto que deseamos modificar; automticamente el programa
nos muestra en cuadro en el cual aparecen las propiedades del
objeto seleccionado y en el cual podemos modificar a nuestro
parecer.(ver grfica 5)
GRAFICA 5
17. Es posible crear y modificar grficas interactivamente con un
solo clic en el icono show plot tools ( ), esta opcin

128
automticamente permite modificar algunas de las propiedades de
la grfica, adems de trabajar interactivamente con otras
variables o grficas ya creadas, de una manera sencilla y prctica.
Para esto debemos arrastrar las mismas hacia la grfica ya
creada, o cuadrante vaco. De esta forma tenemos la posibilidad
de comparar las grficas y cambiar propiedades de las grficas al
mismo tiempo.
Para agregar grficas en otros cuadrantes y trabajar

simultneamente en varias grficas nos a la ventana de Figure
Palette (figura 5) y creamos la cantidad de cuadrantes que
queremos que nos muestre en la ventana, automticamente nos
aparece en la ventana el numero de cuadrantes que hallamos
seleccionado (por ejemplo en una fila y dos columnas).

129
GRAFICA 6
18. Desde el panel mencionado en el punto anterior es posible

acceder a las anotaciones del mismo, para ello nos dirigimos al
icono( ) que aparece en la barra de herramientas, cuando

habilitamos esta opcin se genera la posibilidad de generar el
cdigo-M que dio origen a las grficas creada de una manera
rpida, para ello vamos a la barra de mens y en File
escogemos la opcin Genrate M-File, y de forma automtica nos
muestra en el Editor los comandos que se deberan utilizar para la
creacin de esta grfica, la cual es posible de almacenar como
cualquier otro archivo-M.
Despus de revisar algunas de las nuevas caractersticas del

130
programa en esta versin, hemos encontrado que las ventajas e
innovaciones en lo relacionado con las grficas son en las que mas
se trabaja, y que las mismas permiten trabajar en una forma
mucho ms rpida que permite agilizar y optimizar las actividades
en el programa. Sin embargo todas las innovaciones realizadas
van encaminadas a mejorar el entorno del programa y
contribuyen a la optimizacin de tareas en el mismo.

131

Matlab PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Matlab PDF

Cargado por

Copyright:

Formatos disponibles

Esta obra esta bajo una licencia reconocimiento-no comercial 2.

CRISTIAN GERARDO GIL SANCHEZ

MILLER GIOVANNY FRANCO LEMUS

Director Unidad Informtica: Henry Martnez Sarmiento

Tutor Investigacin: lvaro Enrique Palacios

Coordinadores: Mara Alejandra Enrquez

Coordinador Servicios Web: Daniel Alejandro Ardila

UNIVERSIDAD NACIONAL COLOMBIA

Tutor Investigacin: Maria Alejandra Enrquez G.

Este trabajo es resultado del esfuerzo de todo el equipo

Se prohbe la reproduccin parcial o total de este

UNIVERSIDAD NACIONAL COLOMBIA

4. STATISTICS TOOLBOX ................................................................................................... 8

Estructura de funciones .................................................................................................................... 9

5. MANEJO DEL TOOLBOX ESTADISTICO ............................................................. 10

Estadstica Descriptiva ................................................................................................................... 11

5.1.1. Medidas de localizacin ............................................................................ 11

5.1.2. Medidas de dispersin ............................................................................... 17

5.1.3. Grupos de datos ............................................................................................ 29

6. GRFICAS EN TOOLBOX ESTADSTICO........................................................... 37

Distribuciones De Probabilidad Discretas................................................................................. 63

7.1.1. Distribucin Binomial ................................................................................. 63

7.1.2. Distribucin Poisson.................................................................................... 68

7.1.3. Distribucin Hipergeometrica ............................................................... 74

Distribuciones De Probabilidad Continuas ............................................................................... 80

7.1.4. Distribucin Normal .................................................................................... 80

7.1.6. Distribucin Gamma ................................................................................. 103

7.1.7. Distribucin Chi-Cuadrado ...................................................... 111

7.1.8. Distribucin Beta ........................................................................................ 117

ANEXO 1 .......................................................................................................................................... 120

UNIVERSIDAD NACIONAL COLOMBIA

Matlab es un software aplicativo que permite su utilizacin en diferentes

En el presente trabajo se pretenden dar a conocer algunas de las

UNIVERSIDAD NACIONAL COLOMBIA

Matlab is applicative software that allows using in different areas of the

UNIVERSIDAD NACIONAL COLOMBIA

De esta forma se busca desarrollar con esta investigacin un manual

UNIVERSIDAD NACIONAL COLOMBIA

El paquete estadstico de MATLAB ha sido desarrollado para proveer

Este paquete provee dos completas categoras para este uso:

- Una estructura de funciones.

Este paquete es de gran funcionalidad puesto que permite combinar

UNIVERSIDAD NACIONAL COLOMBIA

MATLAB acompaa cada paquete de funciones con una completa gua de

Estadstica descriptiva 30 Control de procesos estadsticos 7

Estadstica multivariada 25 Regresin no Lineal 10

Grficos estadsticos 26 Diseo de Experimentos 12

Distribuciones de probabilidad 138 Tcnicas de rbol de decisin 5

Pruebas de distribucin 4 Pruebas No Paramtricas 6

Modelos Lineales 27 Modelos Hidden Harkov 5

Importar/exportar archivos 5 Demostraciones 7

Pruebas de hiptesis 6 Utilidades 2

Es importante destacar como en MATLAB es posible acceder al cdigo

UNIVERSIDAD NACIONAL COLOMBIA

Adems de la posibilidad de disear cualquier interfaz para un anlisis

Se ha planeado la investigacin de tal manera que su resultado pueda

5. MANEJO DEL TOOLBOX ESTADISTICO

UNIVERSIDAD NACIONAL COLOMBIA

5.1.1. Medidas de localizacin

Descripcin Calcula la media aritmtica de determinados valores.

Sintaxis mean (a)

mean (a, dim)

Media = mean (a)