Frecuencia Relativa

Regularidad estadística

Para que un modelo sea útil, se debe poder realizar predicciones del
comportamiento del sistema en el futuro, es decir debe tener un
comportamiento regular.

Muchos modelos de probabilidad en ingeniería se fundamentan en los

promedios obtenidos en las secuencias de resultados, así las muchas
repeticiones o intentos del experimento aleatorio son consistentes y tienden
aproximadamente al mismo valor. Esta es la propiedad de ​regularidad
estadítica

En el experimento de la urna y pelotas con S={0, 1, 2}, se pueden procesar

las muestras del archivo: ​aleatoriosurna100.txt

muestras = [1 1 1 1 1 2 1 2 2 2 2 0 0 0 0 0 2 1 2 2 0 2 0 2 1 2 1 2 2 0 2 0 1 2 0
22021111102121010120222102202021100210100
212011200010222000121100]

Algoritmo en Python

Se puede seleccionar los valores únicos de las muestras y contar el número de

veces de cada uno usando ​np.unique

# Muestras de una urna con pelotas S=[0,1,2]

# propuesta: edelros@espol.edu.ec
import numpy as np

# INGRESO
# archivotxt=input('nombre del archivo.txt: ')
archivotxt = 'aleatoriosurna100.txt'
muestras = np.loadtxt(archivotxt)

# PROCEDIMIENTO
n=len(muestras)
# cuenta los únicos
unicos, cuenta = np.unique(muestras,
return_counts=True)
N = np.asarray((unicos, cuenta)).T # T transpuesta

# SALIDA
print('los eventos unicos: ', unicos)
print('la cuenta de unicos: ', cuenta)
print('Nk:')
print(N)

los valores unicos: [ 0. 1. 2.]

la cuenta de unicos: [33 31 36]
Nk:
[[ 0. 33.]
[ 1. 31.]
[ 2. 36.]]

El número de veces que aparece la pelota 0 en el experimento es N​0​(n)=33,la

pelota N​1​(n)=31 y N​2​(n)=36.

La ​frecuencia relativa​ de un resultado k, se define como:

f_k(n)=\frac {N_k(n)}{n}
f
k
​

(​n​)=
 n
N
k
​

(​n​)
​

y lo que la regularidad estadística quiere decir es que f​k​(n) varía siempre

acercandose a una constante p​k​ cuando n tiende a ser muy grande.

lim_{n\to\infty} f_k(n) = p_k

lim
​ ∞
n→
​

f
k
​

(​n​)=​p
k
​

# frecuencia relativa
fk= cuenta/n
fkn = np.asarray((unicos, fk)).T # T transpuesta
print(fkn)

[[ 0. 0.33]
[ 1. 0.31]
[ 2. 0.36]]

Tarea

Repita el experimento de la urna con n=1000 intentos, y determine las

frecuencias relativas de cada pelota. Use el algoritmo de la hoja «modelo de
probabilidad» para generar el archivo de aleatorios

Ejercicios
Gubner 1.1 p.18

Se lanza una moneda 100 veces, y se anota la frecuencia relativa de las caras
(0) y sellos (1). La experiencia nos indica que la frecuencia relativa debería
estar alrededor de 0.5. Realice el experimento simulado y compare los
resultados.

% matplotlib inline
# Simulador de lanza monedas [0,1]
# propuesta: edelros@espol.edu.ec
import numpy as np
import matplotlib.pyplot as plt

# INGRESO
intentos = 100
eventos = 2

# PROCEDIMIENTO
caramoneda = np.random.randint(eventos,
size=intentos)
unicos, cuenta = np.unique(caramoneda,
return_counts=True)
fk= cuenta/intentos
fkn = np.asarray((unicos, fk)).T # T transpuesta

# SALIDA
print(' caras de moneda: ')
print(caramoneda)
print('frecuencia relativa:')
print(fkn)

plt.plot(caramoneda,'o-')
plt.xlabel('intentos')
plt.ylabel('caramoneda')
plt.margins(0.1)
plt.show()
caras de moneda:
[0 0 1 1 1 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 1 0 1 1 1 0
0 1 1 0 1 1 1 0 1 0 0 1 1 1 0 0 1 0 1 0 1 0 0 1 0 0
1 0 0 0 0 1 0 1 1 1 1 0 1 0 0 0 0 0 0 0 1 0 1 0 0 1
1 1 0 1 1 0 0 1 0 0 0 1 0 0 1 1 1 0 0 1 1 1]
frecuencia relativa:
[[ 0. 0.55]
[ 1. 0.45]]

Ejercicio

Gubner 1.2 p.18, Leon-García pdf/p.21

Un experimento por si mismo es lanzar una moneda 100 veces y guardar las
frecuencias realativas de las caras. Dado qu e numero de caras puede estar en
el rango entre 0 y 100, hay 101 posibilidades de respuesta.

Realice el experimento anterior 1000 veces y almacene la frecuencia relativa

para cada experimento. Muestre los resultados.

# INGRESO
experimentos = 1000
intentos = 100
eventos = 2

# PROCEDIMIENTO
s = np.arange(eventos)

# Todos los experimentos

resultado =
np.zeros(shape=(experimentos,eventos),dtype=int)
for i in range(0,experimentos):

# Un experimento
caramoneda = np.random.randint(eventos,
size=intentos)
n=len(caramoneda)
unicos, cuenta = np.unique(caramoneda,
return_counts=True)

# resultado de cada experimento

for j in range(0,eventos):
resultado[i][j] = cuenta[j]

# Frecuencias relativas por evento

frcuenta=[]
frunicos=[]
for evento in s:
unevento = resultado[:,evento]
 unicos, cuenta = np.unique(unevento,
return_counts=True)
frcuenta.append(cuenta)
frunicos.append(unicos)

# SALIDA - gráfica

# histograma - Gubner-pdf/p.19
for evento in s:

plt.plot(frunicos[evento]/100,frcuenta[evento],label
=str(evento))
plt.xlabel('frecuencia relativa')
plt.legend()
plt.show()

Tarea
Escriba sus observaciones en el ejercicio anterior, cambiando el numero de
intentos en el rango de [10, 100000].