Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Máster universitario en
Ingeniería Matemática y Computación
Modelado y Simulación
Numérica
Simulación de sistemas continuos
Contenido
Generación de números aleatorios ..................................................................... 1
Ejercicio 1 ................................................................................................................. 1
Ejercicio 2 ................................................................................................................. 1
Ejercicio 3 ................................................................................................................. 3
Ejercicio 4 ................................................................................................................. 4
Ejercicio 5 ................................................................................................................. 5
Generación de variables aleatorias ..................................................................... 7
Ejercicio 6 ................................................................................................................. 7
Ejercicio 7 ................................................................................................................. 9
Ejercicio 8 ............................................................................................................... 12
Ejercicio 9 ............................................................................................................... 15
Simulación de eventos discretos y análisis estadístico ............................. 19
Ejercicio 10 ............................................................................................................. 19
Ejercicio 11 ............................................................................................................. 20
Ejercicio 12 ............................................................................................................. 23
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Ejercicio 2
Para cada uno de los cuatro casos anteriores. Propón valores para 𝑎, 𝑏, 𝑚 y 𝑥0 para que
el periodo sea máximo/completo y superior a 50.
1
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Caso 𝑏 ≠ 0, 𝑚 = 2𝑘
Elegimos 𝑚, potencia de 2 mayor que 50: 𝒎 = 𝟐𝟔 , 𝑎 − 1 múltiplo de 4:
𝑎 − 1 = 4, es decir 𝒂 = 𝟓, 𝑏 impar: 𝒃 = 𝟑 y un valor inicial: 𝒙𝟎 = 𝟏.
Por lo tanto, el generador es:
𝒙𝒏 = 𝟓𝒙𝒏−𝟏 + 𝟑 𝒎𝒐𝒅 𝟔𝟒, 𝒙𝟎 = 𝟏
Con periodo completo, 𝒑 = 𝟔𝟒.
Podemos comprobar que 2 es raíz primitiva de 53 con los valores de la siguiente tabla
que obtuvimos con ayuda de Mathematica.
2
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Caso 𝑏 = 0, 𝑚 = 2𝑘
Ejercicio 3
Realizar una función en Matlab que genere valores aleatorios.
3
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Ejercicio 4
Generación de 10000 (diez mil) iterados de valores aleatorios entre 0 y 1.
El siguiente código de Matlab nos permite obtener una ‘cantidad’ de números
aleatorios con 𝑎 = 41, 𝑏 = 9, 𝑚 = 214 𝑦 el primer valor de 𝑥 = 4:
4
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Ejercicio 5
Dados los siguientes generadores congruenciales:
1. 𝑥𝑛 = 5𝑥𝑛−1 + 3 𝑚𝑜𝑑 31, 𝑥0 = 3
2. 𝑦𝑛 = 9𝑦𝑛−1 + 7 𝑚𝑜𝑑 64, 𝑦0 = 4
3. 𝑧𝑛 = 19𝑧𝑛−1 𝑚𝑜𝑑 256, 𝑧0 = 5
5
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
» Segundo caso
𝑎 = 9 , 𝑏 = 7, 𝑚 = 64, 𝑦0 = 4
Vemos que se trata de un método mixto (𝑏 ≠ 0) que cumple con las condiciones:
𝑚 es potencia de 2 (𝑚 = 26 ), 𝑏 es impar y 4 divide a 𝑎 − 1 = 8.
Por lo tanto, el periodo es completo, igual a 64.
» Tercer caso
𝑎 = 19, 𝑏 = 0, 𝑚 = 256, 𝑧0 = 5
Vemos que se trata de un método multiplicativo (𝑏 = 0) que cumple con las
condiciones: 𝑚 es potencia de 2 ( 𝑚 = 28 ), 𝑎 ≡ 3 𝑚𝑜𝑑 8 y 𝑧0 es impar.
Por lo tanto, el periodo es 28−2 = 64.
𝑈1 + ⋯ + 𝑈𝑘 − [𝑈1 + ⋯ + 𝑈𝑘 ] ~ 𝑢(0,1)
Si 𝑢1 , 𝑢2 … , 𝑢𝑘 están generados por algoritmos congruenciales con ciclos de
periodo 𝑐1 , 𝑐2 … , 𝑐𝑘 , respectivamente, entonces la parte fraccionaria de
𝑢1 + 𝑢2+ … + 𝑢𝑘 tiene un ciclo de periodo 𝑚. 𝑐. 𝑚. {𝑐1 , 𝑐2 … , 𝑐𝑘 }.
6
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Sea 𝑋 una variable aleatoria con función de distribución 𝐹(𝑋). Queremos generar
una muestra aleatoria que se ajuste a esta distribución.
Algoritmo:
1. Generar un valor aleatorio 𝑟 con distribución uniforme en el intervalo (0,1)
2. Tomar 𝑥 = 𝐹 −1 (𝑟) como un valor de la muestra.
3. Volver al paso 1 y repetir el proceso hasta que el tamaño de la muestra sea
adecuado.
𝑥
, si 0 ≤ 𝑥 ≤ 2
𝑓(𝑥) = {2
0, en caso contrario
0, 𝑠𝑖 𝑥 < 0
𝑥 𝑥
𝑡
𝐹(𝑥) = ∫ 𝑓(𝑡) 𝑑𝑡 = ∫ 𝑑𝑡, 𝑠𝑖 0 ≤ 𝑥 ≤ 2
−∞ 0 2
{ 1, 𝑠𝑖 𝑥 > 2
0, 𝑠𝑖 𝑥 < 0
2
𝐹(𝑥) = 𝑥 , 𝑠𝑖 0 ≤ 𝑥 ≤ 2
4
{ 1, 𝑠𝑖 𝑥 > 2
7
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
𝑥2
𝑟=
4
Obteniendo
𝐹 −1 (𝑟) = 2√𝑟
c) Elabora una función en Matlab que utilice la función del ejercicio 0 para generar
valores aleatorios siguiendo esta distribución.
function u = gen_var_traninv()
persistent X;
a=41;
b=9;
m=2^14;
if isempty(X)
X = 4;
r = gen_num_alea(a, b, m, X);
else
r = gen_num_alea(a, b, m);
end
u = 2*sqrt(r);
end
8
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Ejercicio 7
a) Describe el algoritmo del método de la composición.
Este método se aplica cuando la función de distribución, 𝐹(𝑥) (o de densidad, 𝑓(𝑥))
se puede escribir como combinación convexa de otras funciones de distribución ( o
de densidad).
𝑛 𝑛
Algoritmo:
1. Escribir la función de distribución como combinación convexa
𝑛
𝐹(𝑥) = ∑ 𝑝𝑖 𝐹𝑖 (𝑥)
𝑖=1
∑ 𝑝𝑖 ≤ 𝑟 ≤ ∑ 𝑝𝑖
𝑖=1 𝑖=1
1 3 2 𝑒𝑥
𝑓(𝑥) = + (𝑥 + 2𝑥 + 1) +
4 14 4𝑒 − 4
1 3 2 3 3 𝑒𝑥
= + 𝑥 + 𝑥+ +
4 14 7 14 4𝑒 − 4
9
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
13 3 2 3 𝑒𝑥
= + 𝑥 + 𝑥+ (∗)
28 14 7 4𝑒 − 4
13 1 3 1 𝑒𝑥 − 1
= + 3𝑥 2 + 2𝑥 + ( )
28 14 14 4 𝑒−1
Es decir,
13 1 3 1
𝑓(𝑥) = 𝑓1 (𝑥) + 𝑓2 (𝑥) + 𝑓3 (𝑥) + 𝑓4 (𝑥)
28 14 14 4
Donde
𝑒𝑥
𝑓1 (𝑥) = 1, 𝑓2 (𝑥) = 2𝑥, 𝑓3 (𝑥) = 3𝑥 2 , 𝑓4 (𝑥) =
𝑒−1
Nota: los valores 𝑝𝑖 los obtuvimos integrando entre 0 y 1 cada sumando en (*).
1
3 3
Por ejemplo, 𝑝3 = ∫ 𝑥 𝑑𝑥 = . Esto garantiza que las funciones 𝑓1 , 𝑓2 , 𝑓3 y 𝑓4 sean
7 14
0
funciones de densidad.
𝑥
13 3 2 3 𝑒𝑡
𝐹(𝑥) = ∫ ( + 𝑡 + 𝑡+ ) 𝑑𝑡
28 14 7 4𝑒 − 4
0
13 1 3 3 𝑒𝑥 − 1
= 𝑥+ 𝑥 + 𝑥2 +
28 14 14 4𝑒 − 4
13 1 3 2 1 𝑒𝑥 − 1
= 𝑥 + 𝑥3 + 𝑥 + ( )
28 14 14 4 𝑒−1
13 1 3 1
𝐹(𝑥) = 𝐹1 (𝑥) + 𝐹2 (𝑥) + 𝐹3 (𝑥) + 𝐹4 (𝑥)
28 14 14 4
Donde
𝑒𝑥 − 1
𝐹1 (𝑥) = 𝑥, 𝐹2 (𝑥) = 𝑥 3 , 𝐹3 (𝑥) = 𝑥 2 , 𝐹4 (𝑥) =
𝑒−1
10
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
13 1 3 1
+ + + =1
28 14 14 4
1⁄
𝐹1−1 (𝑥) = 𝑥, 𝐹2−1 (𝑥) = 𝑥 3, 𝐹3−1 (𝑥) = √𝑥, 𝐹4−1 (𝑥) = ln((𝑒 − 1)𝑥 + 1)
13 15 21
< < <1
28 28 28
c) Elabora una función en Matlab que utilice la función del ejercicio 0 para generar
valores aleatorios siguiendo esta distribución.
11
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
function u = gen_var_compo()
persistent X;
persistent Y;
if isempty(X)
[u1, X] = gen_num_alea(41, 9, 2^14, 4);
else
[u1, X] = gen_num_alea(41, 9, 2^14, X);
end
if isempty(Y)
[u2, Y] = gen_num_alea(17, 3, 2^14, 13);
else
[u2, Y] = gen_num_alea(17, 3, 2^14, Y);
end
if(u1<0.464)
u = u2;
elseif(u1<0.536)
u = u2^(1/3);
elseif(u1<0.750)
u = sqrt(u2);
else
u = log(u2*(exp(1)-1)+1);
end
end
Ejercicio 8
a) Describe el algoritmo del método de aceptación rechazo.
𝑓(𝑥)
≤ 𝑐 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 ∈ 𝐼
𝑔(𝑥)
12
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
1 𝑥
− + , 𝑠𝑖 2 ≤ 𝑥 ≤ 6
6 12
𝑓(𝑥) = 4 𝑥
− , si 6 ≤ 𝑥 ≤ 8
3 6
{ 0, en caso contrario
1 𝑥 1
De 2 ≤ 𝑥 ≤ 6 obtenemos que 0 ≤ − + ≤
6 12 3
4 𝑥 1
De 6 ≤ 𝑥 ≤ 8 obtenemos que 0 ≤ − ≤
3 6 3
1
Entonces 𝑓(𝑥) ≤ para 2 ≤ 𝑥 ≤ 8
3
1
Que es lo mismo que 𝑓(𝑥) ≤ 2 ⋅ para 2 ≤ 𝑥 ≤ 8
6
1
Nótese que 𝑔(𝑥) = 6 es función de densidad en el intervalo 𝐼 = (2, 8)
3. En la siguiente tabla se muestran los resultados hasta obtener los cuatro primeros
valores aceptados para la muestra.
13
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
c) Elabora una función en Matlab que utilice la función del ejercicio 0 para generar
valores aleatorios siguiendo esta distribución.
function u=gen_var_acerec()
persistent X;
persistent Y;
if isempty(X)
X=4;
end
14
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
if(x<6)
f=(x/12)-(1/6);
else
f=(4/3)-(x/6);
end
[r2,Y]= gen_num_alea(17, 3, 2^14, Y);
y=(1/3)*r2;
end
u=x;
end
En el código anterior se mantiene el paso de las variables X y Y por parámetro para que
las distribuciones de r1 y r2 sean independientes. Nótese que X y Y son variables
persistentes, r1 se genera usando X y r2 se genera usando Y.
Ejercicio 9
Para comparar las distribuciones de las muestras con las funciones de densidad vamos
a graficar simultáneamente cada histograma con la función de densidad al lado
1.
𝑥
, si 0 ≤ 𝑥 ≤ 2
𝑓(𝑥) = {2
0, en caso contrario
cantidad = 10000;
U = zeros(cantidad, 1);
for i=1 : cantidad
U(i) = gen_var_traninv(); % generación de las muestras
end
subplot(1, 2, 1)
histogram(U, 20, 'Normalization', 'pdf'); % gráfica del histograma
daspect([1 1 1]);
xlabel(strcat('Muestra de ', num2str(cantidad), ' números aleatorios'));
title('Histograma pdf1');
x = 0:0.1:2;
y = x/2;
15
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
subplot(1, 2, 2)
plot(x,y); % gráfica de la función de densidad original
daspect([1 1 1]);
xlabel('x');
title('función de densidad 1');
Gráfica resultante:
2.
1 3(𝑥 + 1)2 𝑒𝑥
𝑓(𝑥) = { + + , si 0 ≤ 𝑥 ≤ 1
4 14 4𝑒 − 4
0 , en caso contrario
cantidad = 10000;
U = zeros(cantidad, 1);
for i=1 : cantidad
U(i) = gen_var_compo(); % generación de las muestras
End
subplot(1, 2, 1)
histogram(U, 20, 'Normalization', 'pdf'); % gráfica del histograma
daspect([1 1 1]); axis([0 1 0 1.6]);
xlabel(strcat('Muestra de ', num2str(cantidad), ' números aleatorios'));
16
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
title('Histograma pdf2');
x = 0:0.1:1;
y = 1/4+(3*(x+1).^2)/14+exp(x)/(4*exp(1)-1);
subplot(1, 2, 2)
plot(x,y); % gráfica de la función de densidad original
daspect([1 1 1]); axis([0 1 0 1.6]);
xlabel('x');
title('función de densidad 2');
Gráfica resultante:
3.
1 𝑥
− + , 𝑠𝑖 2 ≤ 𝑥 ≤ 6
6 12
𝑓(𝑥) = 4 𝑥
− , si 6 ≤ 𝑥 ≤ 8
3 6
{ 0, en caso contrario
17
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Gráfica resultante:
18
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
𝜎 𝜎
𝑥̅ − 𝑧1−𝛼/2 ⋅ ≤ 𝜇 ≤ 𝑥̅ + 𝑧1−𝛼/2 ⋅
√𝑛 √𝑛
Donde 𝑧1−𝛼/2 es el valor crítico de la distribución normal que deja un área de 𝛼/2 en la
cola derecha.
𝑆𝑛−1 𝑆𝑛−1
𝑥̅ − 𝑡1−𝛼/2 ⋅ ≤ 𝜇 ≤ 𝑥̅ + 𝑡1−𝛼/2 ⋅
√𝑛 √𝑛
19
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
2
(𝑛 − 1)𝑆𝑛−1 2
(𝑛 − 1)𝑆𝑛−1
√ 2 ≤ 𝜎 ≤ √ 2
𝜒1−𝛼∕2 𝜒𝛼∕2
2 2 2
Donde 𝑆𝑛−1 es la varianza corregida (insesgada) y, 𝜒𝛼∕2 y 𝜒1−𝛼∕2 son los valores
críticos de la distribución 𝜒 2 , con 𝑛 − 1 grados de libertad, que dejan un área de 𝛼/2 en
las colas izquierda y derecha, respectivamente.
Ejercicio 11
La función propaga_orbita toma una posición inicial 𝑥 y una velocidad inicial 𝑣 de
una nave espacial alrededor de la Tierra y las propaga durante 𝑡 unidades de tiempo.
El último parámetro puede ser 0 o 1. Cuando es 1 se activa el efecto de la atmósfera
sobre la nave.
El siguiente código Matlab sirve para obtener datos que nos permitan comparar el
comportamiento de la función propaga_orbita con y sin atmósfera:
20
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
r1 = random('normal',0,0.05);
r2 = random('normal',0,0.05);
r3 = random('normal',0,0.05);
r = [r1,r2,r3];
x = x0+r; % posición inicial
[x,v,t] = propaga_orbita(t,x,v0,0);
distancias0(i) = norm(x); % distancia al centro
end
%{
Hallamos intervalos de confianza para la media y la desviación estándar
de las distancias calculadas
%}
[inf_media0, sup_media0]=ic_media(distancias0,0.05);
[inf_desv0, sup_desv0]=ic_desv(distancias0,0.05);
distancia_media0=mean(distancias0);
desviacion0=std(distancias0);
21
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
fprintf(' Desviación_0’);
disp(desviacion0);
fprintf(' IC_Media_0');
disp([inf_media0 sup_media0]);
fprintf(' IC_Desviación_0');
disp([inf_desv0 sup_desv0]);
fprintf('Resultados con atmósfera\n')
fprintf(' Media_1');
disp(distancia_media1);
fprintf(' Desviación_1');
disp(desviacion1);
fprintf(' IC_Media_1');
disp([inf_media1 sup_media1]);
fprintf(' IC_Desviación_1');
disp([inf_desv1 sup_desv1]);
Una ejecución del código anterior nos arrojó en consola los siguientes resultados:
Media_ 0 3.4618
Desviación_0 1.1870
Media_1 3.3358
Desviación_1 1.1342
22
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Ahora hagamos una prueba de hipótesis para determinar si la atmósfera ejerce efecto
o no sobre el movimiento de la nave. Asumimos que ejerce efecto si las medias
teóricas son diferentes.
𝐻0 : 𝜇1 = 𝜇2 (Hipótesis nula)
𝐻𝑎 : 𝜇1 ≠ 𝜇2 (Hipótesis alternativa)
Equivalentemente:
𝐻0 : 𝜇1 − 𝜇2 = 0
𝐻𝑎 : 𝜇1 − 𝜇2 ≠ 0
Estadístico:
𝑥̅ − 𝜇
𝑧=
𝑆2 𝑆2
√ 1+ 2
𝑛1 𝑛2
Ejercicio 12
» Simulación de 10000 lanzamientos de una moneda:
Código Matlab:
numeros=rand(1,10000);
subplot(2,2,1);
plot(numeros,'.');
title('números aleatorios');
subplot(2,2,2)
histogram (numeros, 'BinMethod','auto');
title ('Histograma');
23
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
for i=1:10000
if(rand(i<0.5))
numeros(i)=0;
else
numeros(i)=1;
end
end
subplot(2,2,3)
plot(numeros,'.');
title('Lanzamientos');
subplot(2,2,4)
histogram(numeros,'BinMethod','auto');
title ('Distribución de Lanzamientos');
24
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Con los resultados obtenidos en la lista ‘numeros’, realizamos las siguientes pruebas de
hipótesis:
Conclusión:
El estadístico de la prueba es menor que el valor crítico, por lo tanto, se acepta la
hipótesis nula.
25
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
n11=0;
for i=1:5000
if numeros(2*i-1)==0 && numeros(2*i)==0
n00=n00+1;
elseif numeros(2*i-1)==0 && numeros(2*i)==1
n01=n01+1;
elseif numeros(2*i-1)==1 && numeros(2*i)==0
n10=n10+1;
elseif numeros(2*i-1)==1 && numeros(2*i)==1
n11=n11+1;
end
end
= 6.1648
Valor crítico de la distribución:
2
𝜒0.95;3 = 7.8147
Conclusión:
El estadístico de la prueba es menor que el valor crítico, por lo tanto, se acepta la
hipótesis nula.
26
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
n011=0;
n101=0;
n110=0;
n111=0;
for i=1:3333
if numeros(3*i-2)==0 && numeros(3*i-1)==0 && numeros(3*i)==0
n000=n000+1;
elseif numeros(3*i-2)==0 && numeros(3*i-1)==0 && numeros(3*i)==1
n001=n001+1;
elseif numeros(3*i-2)==0 && numeros(3*i-1)==1 && numeros(3*i)==0
n010=n010+1;
elseif numeros(3*i-2)==1 && numeros(3*i-1)==0 && numeros(3*i)==0
n100=n100+1;
elseif numeros(3*i-2)==0 && numeros(3*i-1)==1 && numeros(3*i)==1
n011=n011+1;
elseif numeros(3*i-2)==1 && numeros(3*i-1)==0 && numeros(3*i)==1
n101=n101+1;
elseif numeros(3*i-2)==1 && numeros(3*i-1)==1 && numeros(3*i)==0
n110=n110+1;
elseif numeros(3*i-2)==1 && numeros(3*i-1)==1 && numeros(3*i)==1
n111=n111+1;
end
end
Salida: frecuencias correspondientes a OOO, OOX, OXO, XOO, OXX, XOX, XXO, XXX,
respectivamente.
393 412 434 416 399 412 426 441
Prueba de hipótesis:
𝐻0 : 𝑝1 = 𝑝2 = 𝑝3 = 𝑝4 = 𝑝5 = 𝑝6 = 𝑝7 = 𝑝8 = 0.125
𝐻𝑎 : No es cierto que 𝑝1 = 𝑝2 = 𝑝3 = 𝑝4 = 𝑝5 = 𝑝6 = 𝑝7 = 𝑝8 = 0.125
Estadístico: 𝑛𝑖 𝑝𝑖 = 3333 ⋅ 0.125 = 416.625 en todos los casos, por lo tanto
(393 − 416.625)2 (412 − 416.625)2 (434 − 416.625)2 (416 − 416.625)2
𝜒[3333,7]2 = + + +
416.625 416.625 416.625 416.625
(399 − 416.625) 2 (412 − 416.625) 2 (426 − 416.625) 2 (441 − 416.625)2
+ + + +
416.625 416.625 416.625 416.625
𝜒[3333,7]2 = 4.55
27
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Conclusión:
El estadístico de la prueba es menor que el valor crítico, por lo tanto, se acepta la
hipótesis nula.
» Ahora repetimos el experimento con una moneda trucada, donde 𝑃("𝑐𝑎𝑟𝑎") = 0.6 y
𝑃("𝑐𝑟𝑢𝑧") = 0.4
Código Matlab:
numeros=rand(1,10000);
subplot(2,2,1);
plot(numeros,'.');
title('números aleatorios');
subplot(2,2,2)
histogram (numeros, 'BinMethod','auto');
title ('Histograma');
for i=1:10000
if(rand(i<0.6))
numeros(i)=0;
else
numeros(i)=1;
end
end
subplot(2,2,3)
plot(numeros,'.');
title('Lanzamientos');
subplot(2,2,4)
histogram(numeros,'BinMethod','auto');
title ('Distribución de Lanzamientos');
Gráfica de salida:
28
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
29
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
Estadístico:
(5975 − 0.6 ∗ 10000)2 (4025 − 0.4 ∗ 10000)2
𝜒[10000,2]2 = + = 0.2604
0.6 ∗ 10000 0.4 ∗ 10000
Valor crítico de la distribución
2
𝜒0.95;1 = 3.8415
Conclusión:
El estadístico de la prueba es menor que el valor crítico, por lo tanto, se acepta la
hipótesis nula.
30
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
𝜒[5000,4]2 = 1.5243
Valor crítico de la distribución:
2
𝜒0.95;3 = 7.8147
Conclusión:
El estadístico de la prueba es menor que el valor crítico, por lo tanto, se acepta la
hipótesis nula.
31
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
n110=n110+1;
elseif numeros(3*i-2)==1 && numeros(3*i-1)==1 && numeros(3*i)==1
n111=n111+1;
end
end
Salida:
frecuencias de OOO, OOX, OXO, XOO, OXX, XOX, XXO y XXX, respectivamente.
713 503 470 465 306 325 329 222
Prueba de hipótesis:
𝐻0 : 𝑝1 = 0.216, 𝑝2 = 𝑝3 = 𝑝4 = 0.144, 𝑝5 = 𝑝6 = 𝑝7 = 0.096, 𝑝8 = 0.064
𝐻𝑎 : No es cierto 𝐻0
Estadístico:
(713 − 0.216 ∗ 3333)2 (503 − 0.144 ∗ 3333)2 (470 − 0.144 ∗ 3333)2
𝜒[3333,8]2 = + +
0.216 ∗ 3333 0.144 ∗ 3333 0.144 ∗ 3333
(465 − 0.144 ∗ 3333)2 (306 − 0.096 ∗ 3333)2
+ +
0.144 ∗ 3333 0.096 ∗ 3333
(325 − 0.096 ∗ 3333)2 (329 − 0.096 ∗ 3333)2 (222 − 0.0643333)2
+ + +
0.096 ∗ 3333 0.096 ∗ 3333 0.0643333
𝜒[3333,8]2 = 3.1433
Valor crítico de la distribución:
2
𝜒0.95;7 = 14.0671
Conclusión:
El estadístico de la prueba es menor que el valor crítico, por lo tanto, se acepta la
hipótesis nula.
32
Asignatura Datos del alumno Fecha
Modelado y Apellidos:
Simulación 27 de enero de 2020
Numérica Nombre:
A
Sí No
veces
Todos los miembros se han integrado al trabajo del
X
grupo
Todos los miembros participan activamente X
Todos los miembros respetan otras ideas aportadas X
Todos los miembros participan en la elaboración del
X
informe
Me he preocupado por realizar un trabajo cooperativo
X
con mis compañeros
Señala si consideras que algún aspecto del trabajo en
X
grupo no ha sido adecuado
33