INSTITUTO DE ESTADSTICA APLICADA Y COMPUTACIN

MAESTRIA EN ESTADTICA APLICADA

PRACTICA # 3 DE MATLAB (MENU, FUNCIONES, GRAFICOS,..)

PREGUNTAS:
1. Cmo se puede ajustar la ventana que permite la representacin de grficos.
(Ver el archivo graph.m provisto en clase). Este archivo, original de matlab versin
4, puede ser adaptado de tal modo que al comenzar una sesin de trabajo los
parmetros que se refieran a tamao y posicin de la ventana pueden ser
modificados. Tiene mucho que ver la resolucin grfica de su monitor.
%MATLABRC Master startup M-file.
%
%
MATLABRC is automatically executed by MATLAB during startup.
%
It establishes the MATLAB path, sets the default figure size,
%
and sets a few uicontrol defaults.
%
%
MATLABRC also invokes a STARTUP command if the file 'startup.m'
%
exists on the MATLAB path.
%

Copyright (c) 1984-93 by the MathWorks, Inc.

% Setup the MATLAB search path.

% Set the default figure position, in pixels.
% On small screens, make figure smaller, with same aspect ratio.

2. Sea un conjunto cualquiera de datos que representen una o ms columnas en

formato ascii o mat, donde cada columna es una variable y cada fila una
observacin o la observacin de varias variables. Resolver mediante un cdigo de
matlab las siguientes facilidades:
a) Que pueda leer indistintamente los datos (ascii o mat) y luego organizarlos
de acuerdo a las necesidades del usuario.
b) Que pueda representarlos grficamente mediante puntos.
c) Que pueda estandarizarlos a una media 0 y desviacin estndar 1. Adems
en esta seccin que los pueda ver nuevamente como un conjunto de datos
estandarizados. Compare los resultados obtenidos con los que produce la
funcin prestd de matlab. (use help prestd)
d) Que para cada columna de datos se pueda representar mediante puntos Y
un grfico cuyos valores en el eje y sean Yi+1 y en el eje x sean Yi

Puede revisar estos cdigo.m para tener una referencia. Estos cdigos escritos
para matlab pueden ser revisados para ayudar al desarrollo del ejercicio que se
plantea. Para ejecutar estos programas, escriba el nombre del principal (detectar y
observe que se puede hacer):
.
..
puntoraro.m

plotdata.m
plotnuevo.m
detectar.m

zoom.m
menuborrar.m
grafico.m

marcsec.m
detect1.m
seldata.m

En cuanto a los datos, puede revisar cualquiera de los siguientes conjuntos. Por
ejemplo, use X.mat, Y.mat data_nuevo,txt, data.dat o data.mat para practicar el
ejercicio usando el programa detectar:
.
X.MAT
Y.mat

data_nuevo.xls
caos1.mat
data_nuevo.txt

caos.mat
XY.mat

DATA.DAT
data.mat

3. Ejercicio desarrollado usando el comando regress.m y las facilidades de plot.

Se quiere ilustrar el proceso de usar la funcin regress.m para ejecutar regresin
lineal mltiple mediante mnimos cuadrados (ver adems el manual de Matlab o
mediante help regress). Se tratar de establecer la mecnica de ejecutar una
estimacin utilizando esta herramienta. Sin embargo, es recomendable imprimir el
cdigo correspondiente a regresin provisto en la librera de Matlab y relacionarlo
a lo visto en clase o en sus textos referenciales. (ej.: Draper y Smith).
El comando ejecuta la funcin de estimacin de los parmetros del modelo:
y=Xb +e, donde
y es un vector columna de observaciones de la variable dependiente (para n
observaciones).
b es un vector columna de parmetros. Si un intercepto est incluido con los
parmetros de las k variables, entonces habrn p=k+1 elementos en b.
X es una matriz con p columnas, una para cada variable. Para estimar el
intercepto la primera columna de X ser toda de unos (1's).
e es un vector de ruidos aleatorios no observados
El commando de Matlab es:
[b, bint, r, rint, estad] = regress(y, X, alfa)
Los argumentos de entrada para regress son y, X, alfa. Los lmites de confianza
especificados mediante alfa son 100(1-alfa), en el vector de salida rint.

El vector rint de dimensin n x 2 especifica los lmites de confianza asociados con

los residuales para los n puntos de observacin. Si alfa es omitido, se asume que
su valor ser de 0.05. El resultado de regress es b, bint, r, rint y estad.
Los vectores b y bint son los parmetros estimados y sus lmites de confianza
respectivamente. El vector estad incluye los valores de R 2, F y p.
Procedimiento paso a paso para una regresin:
1. Cargar los datos.
2. Examinar los datos.
3. Crear la matriz X.
4. Decidir el porcentaje de lmite de confianza 100(1-alpha)
5. Escribir la lnea de comando [b bint r rint estad]=regress(y,X,alfa);
6. Observar el plot de los residuales
7. Observar los parmetros estimados b y el intervalo de confianza bint.... Escribir
b y bint para listar los valores obtenidos.
8. Observar estad. Escribir estad para listar los valores de RMS, F y p.
9. Graficar las predicciones y compararlar en el mismo gfrfico con los valores
observados.
Para esta corrida de matlab, puede usar el siguiente conjunto de datos
Y
3.9
7.5
4.4
8.7
9.6
19.5
29.3
12.2

X1
1.5
2.7
1.8
3.9
5.5
10.7
14.6
4.9

X2
2.2
4.5
2.8
4.4
4.3.
8.4
14.6
8.5

entre los datos vector por vector

y=[3.9 7.5 4.4 8.7 9.6 19.5 29.3 12.2 ]';
x1=[1.5 2.7 1.8 3.9 5.5 10.7 14.6 4.9 ]';
x2=[2.2 4.5 2.8 4.4 4.3 8.4 14.6 8.5 ]';
Construya la matriz X para el modelo y=b(1)+b(2)*x1+b(3)*x2
Las bs son los elementos del vector de parmetros que se desea estimar
mediante regress.m
X=[ones(size(x1)) x1 x2]

X =
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000

1.5000 2.2000
2.7000 4.5000
1.8000 2.8000
3.9000 4.4000
5.5000 4.3000
10.7000 8.4000
14.6000 14.6000
4.9000 8.5000

ones(size(x1)) construye la primera columna.

Use regress y suprima la salida. Ponga la confianza a 0.25 (default es 0.05)
[b,bint,r,rint,estad]=regress(y,X,.025);
Calcule un vector de valor de errores para graficarlos. Los valores en rint son los
lmites de confianza y no el rango + -.
er=abs(rint(:,1)-rint(:,2))/2;
Ahora graficamos los residuales junto a sus lmites de confianza.
errorbar(r,er).

Otra manera de graficarlo es tratando con r y rint en el mismo plot. Es decir,

plot([r rint])
.

Ambos grficos indican lo mismo. El primero en barras por cada punto y el otro en
lneas. Para el caso de las barras, todas ellas cruzan la lnea del cero, as que
nada pareciera anormal a este punto.
Ahora observemos los parmetros. Es recomendable usar la transpuesta de b
para obtener una lnea impresa en lugar de una columna.
b'
ans =
0.2267 1.1920 0.7833

Estos son los valores para b(1), b(2) y b(3).

Los rangos de confianza de cada uno de ellos es:
bint'
ans =
-0.8063 0.8762 0.4272
1.2598 1.5079 1.1394

Cada columna es el rango asociado a cada una de las b. En este caso son tres
rangos.
Los residuales y sus intervalos de confianza ya se graficaron anteriormente
mediante r y rint.
Ahora observemos estad, la cual contiene R2, F y p.

estad
estad =
1.0e+003 *
0.0010 1.1533 0.0000

El modelo es
yhat=0.2267+1.1920*x1+0.7833*x2;
comparemos los los puntos observados y con los estimados yhat:
[y yhat]
ans =
3.9000 3.7380
7.5000 6.9700
4.4000 4.5655
8.7000 8.3220
9.6000 10.1509
19.5000 19.5608
29.3000 29.0661
12.2000 12.7256

Comparacin mediante el grfico de y y yhat.

plot(1:8,yhat,'x',1:8,y,'o'), title('Calculados x, Observados o.')