Comunicaciones

I. Objetivo

Graficar en Matlab las siguientes funciones de densidad y distribución de cada una de las variables aleatorias, variando sus principales parámetros.

a) Pareto
b) Gaussiana
c) Exponencial
d) Uniforme

III. EQUIPO


a) PC con Matlab


IV. MARCO TEÓRICO

PARETO

Densidad de Pareto (PDE) tal como se define en este trabajo es un método para la estimaciónde funciones de densidad de probabilidad utilizando hiperesferas. El radio de las hiperesferas se deriva de la optimización de la información y minimizar el tamaño del conjunto. Se demuestra, que la PDE es una estimación muy buena para racimos de estructura gaussiana. La robustez del método se ha probado con respecto a la agrupación superposición, número de racimos, las variaciones diferentes endiferentes grupos y la aplicación de alta datos dimensionales. Para altos datos dimensionales PDE se encuentra que es apropiado para el propósito de análisis de conglomerados. El método se ha probado con éxito en un difícil mundo real de alta dimensión.

Distribución de Pareto es un caso especial de la distribución de Pareto generalizada, que es una familia de distribuciones de forma similar,pero que contiene un parámetro adicional de tal manera que el apoyo de la distribución está bien delimitada por debajo (en un punto variable), o limitada tanto por encima y por debajo (donde ambos son variables), con la distribución Lomax como un caso especial. Esta familia también contiene las unshifted y cambió la distribución exponencial.

GAUSS

En teoría de la probabilidad, la normal (ogaussiana) de distribución es una distribución de probabilidad continua que tiene una campana en forma de la función de densidad de probabilidad, conocida como la función de Gauss o informalmente la curva de campana.

EXPONENCIAL

En la teoría de probabilidades y estadísticas, la distribución exponencial (también conocido como distribución exponencial negativa) es una familia de continuasdistribuciones de probabilidad. En él se describe el tiempo entre los eventos en un proceso de Poisson, es decir, un proceso en el que ocurren los eventos de forma continua y de forma independiente a una velocidad media constante.

Tenga en cuenta que la distribución exponencial no es la misma que la clase de las familias exponenciales de distribuciones, que es una gran clase de distribuciones deprobabilidad, que incluye la distribución exponencial como uno de sus miembros, sino que también incluye la distribución normal , distribución binomial , distribución gamma , Poisson , y muchos otros.

UNIFORME

En la teoría de probabilidades y estadísticas, la distribución uniforme continua, o la distribución rectangular es una familia de distribuciones de probabilidad tal que para cada miembro dela familia, todos los intervalos de la misma longitud en el apoyo de la distribución son igualmente probables. El soporte está definido por los dos parámetros, ayb, que son sus valores mínimos y máximos. La distribución es a menudo abreviado U (a, b). Es la distribución de máxima probabilidad de la entropía de una variable aleatoria X al azar bajo ninguna otra restricción que el que estácontenido en el apoyo de la distribución.

V. DESARROLLO

Códigos:

Pareto

%funcion PARETO de probabilidad (DISTRIBUCION)

x = linspace (-1,10,1000);
y1 = gpcdf (x, - .25,1,0);
y2 = gpcdf (x, 0,1,0);
y3 = gpcdf (x, 1,1,0);

figure(1)
plot (x, y1, '-', x, y2, '-', x, y3, '-')

%funcion PARETO de probabilidad (DENSIDAD)

x = linspace (-1,10,1000);
y1 = gppdf (x, - .25,1,0);
y2 = gppdf(x, 0,1,0);
y3 = gppdf (x, 1,1,0);

figure(2)
plot (x, y1, '-', x, y2, '-', x, y3, '-')





Gaussiana


%funcion GAUSSIANA de probabilidad (DISTRIBUCION)

t=0:.01:30; %define el intervalo
ti=t-10; % define el rango de t
FX=(erf(((ti-a)/s)/sqrt(2))+1)/2; % evaluando mediante formula (PDF)
FX1=(erf(((ti-a1)/s1)/sqrt(2))+1)/2; % evaluando mediante formula (PDF)...