Está en la página 1de 12

TECNOLÓGICO DE ESTUDIOS SUPERIORES DE

JOCOTITLÁN
LICENCIATURA:
INGENIERÍA EN SISTEMAS COMPUTACIONALES

ASIGNATURA:
PRINCIPIOS ELECTRÓNICOS Y APLICACIONES DIGITALES

TRABAJO A PRESENTAR:
“Reporte de los programas”

DESARROLLADOR DEL TRABAJO:


JUAN CARLOS ANGELES ORZUNA
CRISTEL MERARI ATANACIO MARTINEZ

DOCENTE:
DR. EN CIENCIAS LEOPOLDO GIL ANTONIO

GRUPO:
IC-0402

CICLO ESCOLAR:
2018-2019

INTRODUCCIÓN
Buscamos métodos que nos permitan obtener valores de variables aleatorias que
sigan determinadas distribuciones de probabilidad a partir de los números
aleatorios generados, que siguen la distribución Uniforme en el intervalo (0,1).
Hay cuatro métodos generales de generación de variables aleatorias y una serie
de métodos particulares de las distintas distribuciones. La facilidad de aplicación
de dichos métodos, así como el coste computacional asociado a los mismos, varía
mucho según la familia de variables aleatorias a las que se apliquen. Normalmente
existen varios algoritmos que se pueden utilizar para generar valores de una
determinada distribución, y diferentes factores que se pueden considerar para
determinar qué algoritmo utilizar en un caso particular.

Desafortunadamente dichos factores suelen entrar en conflicto unos con otros y a


veces se ha de llegar a una solución de compromiso. Algunos de estos factores
son los siguientes:

Exactitud: se han de obtener valores de una variable con una precisión dada. A
veces se tiene suficiente con obtener una aproximación y otras no.

Eficiencia: el algoritmo que implementa el método de generación tiene asociado un


tiempo de ejecución y un gasto de memoria.Elegiremos un método que sea
eficiente en cuando al tiempo y a la cantidad de memoria requeridos.

Complejidad: Buscamos métodos que tengan complejidad mínima, siempre y


cuando se garantice cierta exactitud

MARCO TEÓRICO

La distribución Uniforme
La distribución Uniforme es el modelo (absolutamente) continuo más simple.
Corresponde al caso de una variable aleatoria que sólo puede tomar valores
comprendidos entre dos extremos a y b, de manera que todos los intervalos de
una misma longitud (dentro de (a, b)) tienen la misma probabilidad. También
puede expresarse como el modelo probabilístico correspondiente a tomar un
número al azar dentro de un intervalo (a, b).

De la anterior definición se desprende que la función de densidad debe tomar el


mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir,

Gráficamente:

La función de distribución se obtiene integrando la función de densidad y viene


dada por:
Gráficamente:

La distribución Normal

Se trata, sin duda, del modelo continuo más importante en estadística, tanto por su
aplicación directa, veremos que muchas variables de interés general pueden
describirse por dicho modelo, como por sus propiedades, que han permitido el
desarrollo de numerosas técnicas de inferencia estadística. En realidad, el nombre
de Normal proviene del hecho de que durante un tiempo se creyó, por parte de
médicos y biólogos, que todas las variables naturales de interés seguían este
modelo.

Su función de densidad viene dada por la fórmula:

que, como vemos, depende de dos parámetros μ (que puede ser cualquier valor
real) y σ (que ha de ser positiva). Por esta razón, a partir de ahora indicaremos de
forma abreviada que una variable X sigue el modelo Normal así: X ~ N(μ, σ). Por
ejemplo, si nos referimos a una distribución Normal con μ = 0 y σ = 1 lo
abreviaremos N(0, 1).

A continuación presentamos la gráfica de esta función de densidad (donde se


pueden cambiar los parámetros):
Como se puede ver, la función de densidad del modelo Normal tiene forma de
campana, la que habitualmente se denomina campana de Gauss. De hecho, a
este modelo, también se le conoce con el nombre de distribución gaussiana.

Propiedades del modelo Normal

1. Su esperanza es μ.

2. Su varianza es σ2 y, por tanto, su desviación típica es σ.

3. Es simétrica respecto a su media μ, como puede apreciarse en la


representación anterior.

4. Media, moda y mediana coinciden (μ).

5. Cualquier transformación lineal de una variable con distribución Normal


seguirá también el modelo Normal. Si X ~ N(μ, σ) y
definimos Y = aX + b (con a ≠ 0), entonces Y ~ N(aμ + b, |a|σ). Es decir, la
esperanza de Y será aμ + b y su desviación típica, |a|σ.

6. Cualquier combinación lineal de variables normales independientes sigue


también una distribución Normal. Es decir, dadas nvariables aleatorias
independientes con distribución Xi ~ N(μi, σi) para i = 1, 2, ..., n la
combinación lineal: Y = anXn + an−1Xn−1+ ... + a1X1 + a0 sigue también el
modelo Normal:

DESARROLLO
Procedimientos especiales: Existen algunas distribuciones estadísticas de probabilidad en las
cuales es posible emplear sus propiedades para obtener expresiones matemáticas para la
generación de variables aleatorias en forma eficiente. En varios casos se aplica el Teorema Central
del Límite y en otros se utiliza el método directo para encontrar las variables aleatorias.

Distribución de England
clc;
clear;

fprintf('Bienvenido al programa de solucion de Distribucion


uniforme\n\n');

semilla1=input('Ingrese el valor de la primera semilla(Mayor a 3


digitos): ');
semilla2=input('Ingrese el valor de la segunda semilla(Mayor a 3
digitos): ');
semilla3=input('Ingrese el valor de la tercera semilla(Mayor a 3
digitos): ');
iter=input('Ingrese el no de iteraciones: ');
i=0;
lam=input('\n\nIngrese el valor de la media: ');
k=3;

sum=0;

sumvar=0;
tab=1;

et={' no ','1-R1','1-R2', '1-R3',' Y '};


disp(et);

% iter=iter*3;

while i~=iter
i=i+1;
xpar=semilla1*semilla1;
x=xpar;

if x>99999 && x<999999


xstr=num2str(x);
x1=xstr(2:5);
end;

if x>9999999
xstr=num2str(x);
x1=xstr(3:6);
end;

if x>9999 && x<99999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(2:5);
end;

if x>999999 && x<9999999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(3:6);
end;

u1=str2num(x1);
semilla1=u1;
r1=u1/10000;
r1n=1-r1;

xpar=semilla2*semilla2;
x=xpar;

if x>99999 && x<999999


xstr=num2str(x);
x1=xstr(2:5);
end;

if x>9999999
xstr=num2str(x);
x1=xstr(3:6);
end;

if x>9999 && x<99999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(2:5);
end;

if x>999999 && x<9999999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(3:6);
end;
u1=str2num(x1);
semilla2=u1;
r2=u1/10000;
r2n=1-r2;

xpar=semilla3*semilla3;
x=xpar;

if x>99999 && x<999999


xstr=num2str(x);
x1=xstr(2:5);
end;

if x>9999999
xstr=num2str(x);
x1=xstr(3:6);
end;

if x>9999 && x<99999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(2:5);
end;

if x>999999 && x<9999999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(3:6);
end;

u1=str2num(x1);
semilla3=u1;
r3=u1/10000;
r3n=1-r3;

y=r1n*r2n*r3n;
y=log(y);
y=(-1*(lam/k))*y;
fprintf('------------------------------------------------
---\n');
v=[i,r1n,r2n,r3n,y];
disp(v);
end;

Distribución unifórme
clc;
clear;

fprintf('Bienvenido al programa de solucion de Distribucion


uniforme\n\n');

semilla=input('Ingrese el valor de la semilla(Mayor a 3 digitos): ');


iter=input('Ingrese el no de iteraciones: ');
i=0;
na=input('\n\nIngrese el valor de a: ');
nb=input('\n\nIngrese el valor de b: ');

fprintf('\n\nx0= %d\n\n',semilla);
sum=0;

sumvar=0;

et={'VALOR Xn',' R ', ' XI '};


disp(et);

while i~=iter
xpar=semilla*semilla;
x=xpar;
i=i+1;

if x>99999 && x<999999


xstr=num2str(x);
x1=xstr(2:5);
end;

if x>9999999
xstr=num2str(x);
x1=xstr(3:6);
end;

if x>9999 && x<99999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(2:5);
end;

if x>999999 && x<9999999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(3:6);
end;

u1=str2num(x1);
semilla=u1;
r=u1/10000;
sum=sum+r;

fprintf('---------------------------------------------------
\n');
xi=na+((nb-na)*r);
v=[i,r,xi];
disp(v);

end;

Distributión nórmal
clc;
clear;

fprintf('Bienvenido al programa de solucion de Distribucion normal\n\n');

% semilla=input('Ingrese el valor de la semilla(Mayor a 3 digitos): ');


media=input('Ingrese el valor de la media: ');
des=input('Ingrese el valor de la desviacion estandar: ');
iter=input('Ingrese el no de variables que desea: ');
i=0;
% na=input('\n\nIngrese el valor de a: ');
% nb=input('\n\nIngrese el valor de b: ');

sum=0;
j=0;

sumvar=0;

et={' Xn ',' E(ri) ', ' E-6 ',' RESULT'};


disp(et);
seant=0;
while j~=iter

j=j+1;
semilla= randi([6000 9999],[1 1]);

while seant==semilla
semilla= randi([6000 9999],[1 1]);
end;

seant=semilla;

while i~=media
xpar=semilla*semilla;
x=xpar;
i=i+1;

if x>99999 && x<999999


xstr=num2str(x);
x1=xstr(2:5);
end;

if x>9999999
xstr=num2str(x);
x1=xstr(3:6);
end;

if x>9999 && x<99999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(2:5);
end;

if x>999999 && x<9999999


xstr=num2str(x);
ystr=strcat('0',xstr);
xstr=ystr;
x1=xstr(3:6);
end;

u1=str2num(x1);
semilla=u1;
r=u1/10000;
sum=sum+r;

end;

sum1=sum-6;
dn=des*sum1;
dn=dn+media;
fprintf('---------------------------------------------------\n');
% xi=na+((nb-na)*r);
v=[j,sum,sum1,dn];
disp(v);

end;

CONCLUSIONES
En el presente trabajo de la elaboración de programas de variables aleatorias son
presentadas por medio de distribuciones de probabilidad, el procedimiento es para
las generación de los números con variables aleatorias a partir de las
distribuciones de las probabilidades que se conoce como las generación de
variables aleatorias.
REFERENCIAS