Universidad De Concepcin o Facultad De Ingenier a Departamento De Ingenier Electr a ca

Tarea N2

Pablo Octavio Riquelme Jara.

Ing. Civil en Telecomunicaciones.

Procesos Aleatorios.

Jorge Pezoa.

17 De Mayo Del 2012

1.
1.1.

Problema: funciones de variables aleatorias.

Solucin o
Deniendo para variables aleatorias continuas

El valor esperado como

+

X = E(X) =

XfX (X)dx

La varianza de la forma
2 X =

(X x )2 fX (X)dx

as obteniendo valores particulares para: , 1. Si la distribucin de todas las variables aleatorias es diferente y adems son mutuamente independientes. o a Entonces el valor esperado ser la multiplicacin de cada variable con su propia (pdf) fX (X), es decir. a o
N +

X N = E(X N ) =
i=1

X i fX (X i )dx

As aplicando a la varianza la misma propiedad resulta.

N 2 X N +

=
i=1

(X i X i )2 fX (X i )dx

2. Si la distribucin de todas las variables aleatorias son idnticas, entonces de la misma forma lo ser su o e a (pdf) fX (X), resultando como un factor mutuo para cada valor esperado, resultando as
N +

X N = E(X N ) =
i=1

X i fX (X)dx

de igual forma para la varianza, se obtiene

N 2 X N +

=
i=1

(X i X i )2 fX (X)dx

3. Si las distribuciones de todas las variables aleatorias son Gaussianas con igual media pero distintas varianzas. Por ende el valor esperado X ser igual para todas las variables aleatorias, luego solo basta a el denir la varianza. Considerando que la distribucin gaussiana (pdf) fX (X), se dene como: o fX (X) =
1 X 2 1 e2( ) 2

Entonces la varianza, resulta de forma siguiente, es decir

N 2 X N = i=1 +

(X i X )2

i 2 1 1 e 2 ((X X )/X i ) dx X i 2

2.
2.1.

Problema: muestreador o generador de n meros aleatorios. u

solucin o
Distribucin exponencial. o 1. Sea x una variable aleatoria que sigue una distribucin exponencial de parmetro 0, cuya o a CDF es y = FX (x) = 1 ex con x 0 Entonces, se dene y = 1 ex y 1 = ex Multiplicando la expresin anterior por (-1), se obtiene o 1 y = ex ln(1 y) = x Donde se deduce que y [0, 1], resultado x = ln(1x) 1 FX (y) = ln(1x)
1 As queda demostrado que su CDF inversa es x = FX (y) = ln(1y) con y [0, 1]. ,

En Cdigo MATLAB o 2. Generando N=5000 muestras de una variable exponencial de parmetro = 3, resulta a lambda=3; ye1=rand(1,5000); xe1=-(log(1-ye1)/lambda); figure(2),hist(xe1)%,hold,plot(hist(xe1),r-,LineWidth,2) h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin exponencial inversa,FontName,Arial,FontSize, 13) o 3. Comparando el resultado con el comando exprnd() ze=exprnd(1/lambda,1,5000); figure(3),hist(ze)%,hold,plot(hist(ze),r-,LineWidth,2); h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin exponencial (comando exprnd),FontName,Arial,FontSize, o 4. Con ayuda del comando expinv(), se puede calcular la CDF inversa y generar nuevamente N=5000 muestras

ye2=rand(1,5000); xe2=expinv(ye2,1/lambda); figure(4),hist(xe2)%,hold,plot(hist(xe2),r-,LineWidth,2); h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin exponencial inversa (comando expinv),FontName,Arial,Fon o Comparando los resultados obtenidos (histogramas)

figure(5),plot(hist(xe1),b-,LineWidth,2),hold,plot(hist(ze),r-,LineWidth,2), plot(hist(xe2),g-,LineWidth,2),title(Comparacin,FontName,Arial,FontSize, 13), o legend(inversa,comando expinv,comando expinv),set(legend,FontName,Arial,FontSize

Grcos (en orden de aparicin segn cdigo anterior) a o u o

Observacines: o Resulta fcil el decir que los histogramas siguen una distribucin exponencial despus de observar el a o e graco que los compara, donde se tomaron en consideracin nmeros aleatorios distintos en cada caso o u expuesto en la distribucin. o Distribucin Rayleigh. o 1. Sea x una variable aleatoria Rayleigh de parmetro 2 , cuya CDF es a y = FX (x) = 1 e 22 con x 0 Entonces, se dene y = 1 e 22 y 1 = e 22 Multiplicando la expresin por (-1), se obtiene o 1 y = e 22 Aplicando logaritmo natural a ambos lados de la ecuacin, resulta o
x ln(1 y) = 22 2 2 ln(1 y) = x2
2 x2 x2 x2 x2

Nuevamente, multiplicamos la expresin por (-1), logrando o 2 2 ln(1 y) = x2 Ahora, aplicando ra cuadrada a ambos lados de la ecuacin, pero considerando siempre que nos z o restringimos a un x 0, as solo consideramos la parte positiva, se tiene que x= 2 2 ln(1 y)

Donde de esta ultima ecuacin se deduce que y [0, 1] o

1 FX (y) =

2 2 ln(1 y) 2 2 ln(1 y) con y [0, 1].

1 luego, queda demostrado que su CDF inversa es x = FX (y) =

En Cdigo MATLAB o 2. Generando N=5000 muestras de una variable Rayleigh de parmetro 2 = 4 a

yr1=rand(1,5000); sigma2=4; xr1=sqrt(-2*(sigma2)*log(1-yr1)); figure(6),hist(xr1)%,hold,plot(hist(xr1),r-,LineWidth,2) h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin Rayleigh inversa,FontName,Arial,FontSize, 13) o 3. Comparando el resultado con el comando raylrnd()

zr=raylrnd(sqrt(sigma2),1,5000); figure(7),hist(zr)%,hold,plot(hist(zr),r-,LineWidth,2) h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin Rayleigh inversa (comando raylrnd),FontName,Arial,FontS o 4. Con ayuda del comando raylinv(), se puede calcular la CDF inversa y generar nuevamente N=5000 muestras

yr2=rand(1,5000); xr2=raylinv(yr2,sqrt(sigma2)); figure(8),hist(xr2)%,hold,plot(hist(xr2),r-,LineWidth,2) h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin Rayleigh inversa (comando raylinv),FontName,Arial,FontS o Comparando los resultados obtenidos (histogramas)

figure(9),plot(hist(xr1),b-,LineWidth,2),hold,plot(hist(zr),r-,LineWidth,2), plot(hist(xr2),g-,LineWidth,2),title(Comparacin,FontName,Arial,FontSize, 13), o legend(inversa,comando expinv,comando raylinv),set(legend,FontName,Arial,FontSize Grcos (en orden de aparicin segn cdigo anterior) a o u o

Observacines: La comparacin es muy semejante en cada histograma, pese a que se utilizan o o nmeros aleatorios diferentes, si bien es cierto existe una pequea variacin, aun as es posible u n o identicar claramente el tipo de distribucin que predomina. o

Distribucin Gaussiana. o En Cdigo MATLAB o 1. Utilizando el comando norminv(), y generando N= 5000 muestras de una variable Gaussiana de parmetros = 2 y 2 = 4 a

yg1=rand(1,5000); mu=2; sigma2=4; xg1=norminv(yg1,mu,sqrt(sigma2)); figure(10),hist(xg1)%,hold,plot(hist(xg1),r-,LineWidth,2) h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin Rayleigh inversa (comando norminv),FontName,Arial,FontS o 2. vericando que sigan la distribucin Gaussiana con el comando normrnd() o

zr=normrnd(mu,sqrt(sigma2),1,5000); figure(11),hist(zr)%,hold,plot(hist(zr),r-,LineWidth,2) h = findobj(gca,Type,patch);set(h,FaceColor,b,EdgeColor,w), title(Histograma distribucin Rayleigh inversa (comando normrnd),FontName,Arial,FontS o set(legend,FontName,Arial,FontSize,13); Comparando los resultados obtenidos (histogramas)

figure(12),plot(hist(xg1),b-,LineWidth,2),hold,plot(hist(zr),r-,LineWidth,2), title(Comparacin,FontName,Arial,FontSize, 13),legend(comando norminv,comando nor o set(legend,FontName,Arial,FontSize,13);grid Grcos (en orden de aparicin segn cdigo anterior) a o u o

Observacines: La comparacin es semejante en esta distribucin, considerando que se utilizaron o o o nmeros aleatorios distintos en la utilizacin de cada comando. u o Distribucin del acceso al RAID de discos. o 1. Es posible vericar que el generador de variables aleatorias sigue dicha distribucin, aplicando un o histograma a la funcin de masa de probabilidad (pmf)y compararlo con la del acceso al RAID de o discos de alta utilizacin. si la comparacin resultante es mayoritariamente positiva, es decir que o o la distribucin es la misma. o 2. Es posible darse cuenta que los nmeros aleatorios siguen la distribucin deseada por el hecho u o de que se privilegia con una probabilidad mayor a los discos etiquetados como 1 y 2, luego los n accesos a los discos son expuestos en el ciclo iterativo, donde es generada la variable aleatoria propiamente tal.

Grco (Tipo de Distribucin) a o

3. El mtodo de la CDF inversa es utilizado en la creacin de nmeros aleatorios, que es vericable e o u mediante el histograma representado en la pregunta anterior, pero cmo se realizo esto en el o cdigo?, bueno sabemos que (rand < CDF ) es un vector binario que cumplen con las condiciones o de probabilidad de acceso al RAID, f ind(rand < CDF ) es capaz de guardar la posicin en donde o se encuentra un nmero distinto de cero, min(f ind(rand < CDF )) identica el numero de menor u magnitud de este vector, todo esto es igualado a una variable aleatoria Xn = min(f ind(rand < CDF ) e iterada 5000 veces mediante un ciclo for. 4. Bonus, forma alternativa del comando nd(). En Cdigo MATLAB o % Genera n accesos a los discos N=20; n = 5000; Xn = zeros(1,n); for i=1:n x=(rand<CDF); m=max(x); w=1; z=1; for j=1:N if x(1,j)==1; z=z+m; p(z)=j; else x(1,j)==0; w=w+m; k(w)=j; end end Xn(i) = min(w); end hist(Xn),h = findobj(gca,Type,patch); set(h,FaceColor,b,EdgeColor,w), title(Histograma sin comando find(),FontName,Arial,FontSize, 13) X = zeros(1,n); for i=1:n X(i) = min( find(rand<CDF) );

end figure(2),hist(X),h = findobj(gca,Type,patch); set(h,FaceColor,b,EdgeColor,w), title(Histograma con comando find(),FontName,Arial,FontSize, 13) figure(3),plot(hist(Xn),b-,LineWidth,2),hold, plot(hist(X),r-,LineWidth,2), title(Comparacin,FontName,Arial,FontSize, 13), o legend(sin comando find(),comando find()), set(legend,FontName,Arial,FontSize,13); Grcos (aproximacin) a o

Observacines: Si bien, es cierto que existe una leve variacin en el parecido de los o o histogramas, pienso que en gran parte es debido a la forma de interpretar el comando y en conjunto a esto, considerar que se trabajan con variables aleatorios en el desarrollo del problema.

3.
3.1.

Problema: distribuciones conjuntas e independencia

solucin o

1. Cuando las variables aleatorias son independientes y con probabilidades (marginales) uniformes, entonces partiendo directamente de la denicin conjuntista de independencia observamos que tanto Xi o como Xj son variables aleatorias binarias, es decir que solo puede tomar 2 valores 0 1 independientes, o con funcin de masas de probabilidad (pmf)(marginal): o 1/4 si x = (0, 1) 1/4 si x = (0, 0) P {Xi,j = x} = donde i= j, i, j {1, 2, 3, 4.}(1) 1/4 si x = (1, 1) 1/4 si x = (1, 0) Entonces se tiene que P {Xi , Xj } = P {Xi = x, Xj = x} P {Xi , Xj } = P {Xi {x}, Xj {x}} As asumiendo independencia lineal resulta , P {Xi , Xj } = P {Xi {x}}P {Xj {x}} P {Xi , Xj } = P {Xi = x}P {Xj = x} P {Xi , Xj } = P {Xi }P {Xj } En conclusin hemos demostrado la siguiente Proposicin. o o 2. se sabe que P {(X1 , X2 , X3 , X4 ) = (x1 , x2 , x3 , x4 )}
1 8

si (x1 , x2 , x3 , x4 ) {(0, 0, 0, 0), (0, 0, 1, 1), (0, 0, 0, 1), (0, 0, 1, 0), (1, 0, 0, 1), (1, 0, 1, 0), (1, 1, 0, 0), (1, 1, 1, 1) en otro caso (2)

Entonces, tomando un contra ejemplo, es decir supongamos que la siguiente proposicin es cierta o P {X1 , X2 , X3 , X4 } = P {X1 }P {X2 }P {X3 }P {X4 } Luego, pasando aun caso numrico, resulta e P {0, 0, 1, 0} = P {(0)}P {(0)}P {(1)}P {(0)} Donde es sabido que 1/8 = (1/2) (1/2) (1/2) (1/2) 1/8 = 1/16 As como la igualdad anterior es falsa pues, de (2) se deduce que P {X1 , X2 , X3 , X4 }, solo puede tomar , 2 posibles probabilidades 1/8 0, luego de la probabilidad conjunta se deduce que o
4

P {X1 , X2 , X3 , X4 } =
i=1

P {Xi }

3. No, porque si estas lo fueran, entonces cumplir la propiedad P {Xi , Xj } = P {Xi }P {Xj } para cuatro, an es decir
4

P {X1 , X2 , X3 , X4 } =
i=1

P {Xi }

Luego, como esta no es igual, se deduce que las cuatro variables aleatorias No son independientes.

4.
4.1.

Problema: teor procesos aleatorios a

Solucin o

1. Verdadero, por que el p.a tiene funcin de autocorrelacin RX (t1 , t2 ), entonces no es posible denirla o o como RX (|t1 t2 |), luego resulta que el proceso no es denido estacionario en el sentido amplio. 2. Verdadero, por que el p.a tiene funcin de autocorrelacin RX (t1 , t2 ) R(|t1 t2 | la cual no es o o condicin suciente para asegurar estacionalidad en el sentido amplio, es decir falta el asegurar que el o valor esperado no vari en el tiempo, luego el p.a no es estacionario en el sentido amplio. e 3. Verdadero, porque si la funcin de autocorrelacin decae rpido signica que la variacin de los o o a o tiempos cercanos es grande, en cambio si su separacin de tiempos es grande su variacin es baja, o o es decir existen dinmicas rpidas en tiempos cortos. lo que implica en un p.a componentes de altas a a frecuencias 4. Verdadero, porque si consideramos que Xt posee un valor esperado constante, entonces si es posible asegurar que la derivada en el tiempo del proceso es de igual forma constante (es decir si X (t) = k, con k 0 entonces es posible armar que dx = 0). dt

5.
5.1.
1.

Problema: teor procesos aleatorios a

Solucin Terica: o o
la funcin de media del proceso E[Z[n]] Z [n], es denida o E[Z[n]] = E[26 + NK ] Como el valor esperado es un operador lineal, resulta E[Z[n]] = E[26] + E[NK ] E[Z[n]] = 26 + E[NK ] la funcin del segundo momento del proceso E[Z[n]2 ], es denida o E[Z[n]2 ] = E[(26 + NK )2 ] Resolviendo el binomio, se obtiene
2 E[Z[n]2 ] = E[676 + 52NK + NK ]

para el proceso aleatorio Zk = 26 + Nk , con K N que modela el ruido se tiene

Como el valor esperado es un operador lineal, resulta

2 E[Z[n]2 ] = E[676] + 52E[NK ] + E[NK ] 2 2 E[Z[n] ] = 676 + 52E[NK ] + E[NK ]

la funcin de varianza del proceso V ar(Z[N ]) = E[(Z[N ] Z [N ])2 ], es denida o V ar(Z[N ]) = E[(26 + NK 26 E[NK ])2 ] V ar(Z[N ]) = E[(NK E[NK ])2 ]
2 Resolviendo el binomio, se obtiene V ar(Z[N ]) = E[NK 2NK E[NK ] + E[NK ]2 ] Como el valor esperado es un operador lineal, resulta 2 V ar(Z[N ]) = E[NK ] 2E[NK ]E[NK ] + E[NK ]2 2 V ar(Z[N ]) = E[NK 2E[NK ]2 + E[NK ]2 2 V ar(Z[N ]) = E[NK ] E[NK ]2 2 V ar(Z[N ]) = E[NK ] 2 N

2.

La secuencia de autocorrelacin del proceso RZ (n1 , n2 ) = E[Z[n1 ]Z[n2 ]] con Z[n1 ] = 26 + NK1 y o Z[n2 ] = 26 + NK2 , es denido RZ (n1 , n2 ) = E[(26 + NK1 )(26 + NK2 )]

Resolviendo el binomio, se obtiene RZ (n1 , n2 ) = E[676 + 26NK1 + 26NK2 + NK1 NK2 ] Como el valor esperado es un operador lineal, resulta RZ (n1 , n2 ) = E[676] + 26E[NK1 ] + 26E[NK2 ] + E[NK1 ]E[NK2 ] RZ (n1 , n2 ) = 676 + 26K1 + 26K2 + K1 K2 RZ (n1 , n2 ) = 676 + 26(K1 + K2 ) + K1 K2 la secuencia de covarianza del proceso Cov(Z[n1 ], Z[n2 ]) = E[(Z[n1 ] Z [n1 ])(Z[n2 ] Z [n2 ])], es denida Cov(Z[n1 ], Z[n2 ]) = E[(26 + NK1 Z [n1 ])(26 + NK2 Z [n2 ])] Cov(Z[n1 ], Z[n2 ]) = E[(26 + NK1 26 N 1 )(26 + NK2 26 N 2 )] Cov(Z[n1 ], Z[n2 ]) = E[(NK1 N 1 )(NK2 N 2 )] Resolviendo el binomio, se obtiene Cov(Z[n1 ], Z[n2 ]) = E[NK1 NK2 N 1 NK2 N 2 NK1 + N 1 N 2 ] Como el valor esperado es un operador lineal, resulta Cov(Z[n1 ], Z[n2 ]) = E[NK1 ]E[NK2 ] E[N 1 ]E[NK2 ] E[N 2 ]E[NK1 ] + E[N 1 ]E[N 2 ] Cov(Z[n1 ], Z[n2 ]) = N 1 N 2 N 1 N 2 N 2 N 1 + N 1 N 2 Cov(Z[n1 ], Z[n2 ]) = 0 3. Si, es estacionario por el hecho que la funcin de distribucin es la misma y no var con respecto o o a al tiempo, esto implica media y varianza constante. Si, por el hecho de ser denido estacionario adems de tener tanto una media y varianza denidas, a es tambin considerando estacionario en el sentido amplio e No es un proceso aleatorio blanco, por el hecho de que la esperanza no es nula, por otro lado el proceso es correlacionado.

5.2.

Solucin Prctica: o a

1. Porque muestra varias realizaciones de un proceso en un tiempo relativamente amplio (100[seg]). 2. Eligiendo 10 realizaciones, es decir En Cdigo MATLAB o for k=1:100 Zk1(k,1)=[Z(10,k)]; Zk2(k,1)=[Z(100,k)]; Zk3(k,1)=[Z(1000,k)]; Zk4(k,1)=[Z(10000,k)]; Zk5(k,1)=[Z(50,k)]; Zk6(k,1)=[Z(500,k)]; Zk7(k,1)=[Z(5000,k)]; Zk8(k,1)=[Z(3,k)]; Zk9(k,1)=[Z(33,k)]; Zk10(k,1)=[Z(333,k)]; end figure(2),plot(Zk1,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 10), o set(legend,FontName,Arial,FontSize,13); figure(3),plot(Zk2,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 100), o set(legend,FontName,Arial,FontSize,13); figure(4),plot(Zk3,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13);

ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 1000), o set(legend,FontName,Arial,FontSize,13); figure(5),plot(Zk4,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 10000), o set(legend,FontName,Arial,FontSize,13); figure(6),plot(Zk5,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 50), o set(legend,FontName,Arial,FontSize,13); figure(7),plot(Zk6,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 500), o set(legend,FontName,Arial,FontSize,13); figure(8),plot(Zk7,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 5000), o set(legend,FontName,Arial,FontSize,13); figure(9),plot(Zk8,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 3), o set(legend,FontName,Arial,FontSize,13); figure(10),plot(Zk9,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 33), o set(legend,FontName,Arial,FontSize,13); figure(11),plot(Zk10,b*-,LineWidth,2); xlabel(k,FontName,Arial,FontSize,13); ylabel(Zk,FontName,Arial,FontSize,13);legend(Realizacin N 333), o set(legend,FontName,Arial,FontSize,13); Grcos(en orden de aparicin segn cdigo anterior) a o u o

3. Considerando los instantes de tiempo k, como En Cdigo MATLAB o k1=[1 50 100]; for j=1:length(k1) Z1(:,j)=Z(:,k1(j)); x=1:24898; end figure(12),plot(x,Z1(:,1),b-,LineWidth,2),xlabel(k,FontName,Arial,FontSize,14), ylabel(Zk,FontName,Arial,FontSize, 14),legend(Instante de tiempo k=1), set(legend,FontName,Arial,FontSize,13); figure(13),plot(x,Z1(:,2),b-,LineWidth,2),xlabel(k,FontName,Arial,FontSize,14), ylabel(Zk,FontName,Arial,FontSize,14),legend(Instante de tiempo k=50), set(legend,FontName,Arial,FontSize,13); figure(14),plot(x,Z1(:,3),b-,LineWidth,2),xlabel(k,FontName,Arial,FontSize,14), ylabel(Zk,FontName,Arial,FontSize,14),legend(Instante de tiempo k=100), set(legend,FontName,Arial,FontSize,13); Grcos (en orden de aparicin segn cdigo anterior) a o u o

4. Calculando, para cada valor de k la media, usando el comando mean y comparando con Z [n], resulta En Cdigo MATLAB o for i=1:100 media(i)=mean(Z(:,i)); end for i=1:100 muN=.25; muZ(i)=26+muN; end figure(15),plot(media,b-,LineWidth,2),hold, plot(1:100,muZ,r.-,LineWidth,2);title(Comparacin,FontName,Arial,FontSize,13), o legend(Comando mean,Teora), set(legend,FontName,Arial,FontSize,13); Grco a

5. Calculando, para cada valor de k la varianza, usando el comando var y Comparando el resultado con V ar(Z[n]), se obtiene

En Cdigo MATLAB o

for i=1:100 varianza(i)=var(Z(:,i)); end vari=.005; figure(16),plot(varianza,b-,LineWidth,2),hold, plot(1:100,vari,r.-,LineWidth,2);title(Comparacin,FontName,Arial,FontSize,13), o legend(Comando var,Teora),set(legend,FontName,Arial,FontSize,13),axis([0 100 0 0.04]) Grcos a

6. Tomando las 10 realizaciones y calculando tanto la media como la varianza de para cada una, y adems a gracando solo la media, visualizando desde el eje de las ordenadas desde 0 a 50, resultan los valores medios muy similares (casi se podr considerar constante). a En Cdigo MATLAB o for k=1:10 mediak(k)=mean(Z(:,k)); varianzak(k)=var(Z(:,k)); end figure(17),plot(mediak,b-,LineWidth,2),legend(media),axis([1 10 0 50]),%,grid set(legend,FontName,Arial,FontSize,13) Grco a