#ejemplo de programacion ciclo for
#generamos 1000 muestras de 15 datos cada una con distribucion normal
#mu=170, sigma=30
datos=normrnd(170,30,10000,40);
#vamos a estimar sigma por maxima verosimilitud
#por maxima verosimilitud es el promedio de los desvios cuadraticos
sigma=zeros(10000,1);#las 1000 estimaciones de mu y de sigma por maxima verosimilitud
promedio=mean(datos,2);#media por filas
for i=1:10000,
  cuad=mean(datos(i,1:40).^2);#promedio de los cuadrados de cada fila
  sigma(i,1)=sqrt(cuad-promedio(i,1)^2);
endfor
figure()
hold
subplot(2,1,1)
hist(promedio,100)
subplot(2,1,2)
hist(sigma,100)
# repetimos 4 veces
figure()
#subplot(2,2)
hold
#ejercicio 1
for j=1:6,
  M=poissrnd(3,1000*j,30);
  medias=mean(M,2);
  subplot(2,3,j)
  hist(medias)
endfor
#ejercicio 2
#generamos muestras exponenciales de parametro lambda=2
mexp=exprnd(2,1000,40);
mediasexp=mean(mexp,2);
figure()
hold
subplot(2,3,1)
hist(mediasexp)#25 intervalos
title('n=10 intervalos')
subplot(2,3,2)
hist(mediasexp,30)
title('30 intervalos')
subplot(2,3,3)
hist(mediasexp,50)
title('50 intervalos')
subplot(2,3,4)
hist(mediasexp,70)
title('70 intervalos')
subplot(2,3,5)
hist(mediasexp,90)
title('90 intervalos')
subplot(2,3,6)
hist(mediasexp,110)
title('110 intervalos')
print('6histogramas.png')
#generamos histogramas variando la cantidad de intervalos
#ejercicio 4
#generamos muestras uniformes (0,1) y estimamos b
#por momentos y maxima verosimilitud
muestra=unifrnd(0,1,1000,35);
bmom=2*mean(muestra,2);
bmv=max(muestra,[],2);
figure()
subplot(2,1,1)
hist(bmom,30)
subplot(2,1,2)
hist(bmv,30)
#ejercicio 5
#generamos muestras de 35 datos cada una con distribucion normal
#mu=40, sigma=5
mnormal=normrnd(40,5,1000,35);
medios=mean(mnormal,2);#aqui guardamos los centros de los intervalos
zalfa=norminv(0.95);#da 1.645
radio=zalfa*35/sqrt(1000);#radio de los intervalos
a=medios-radio;
b=medios+radio;
figure()
subplot(2,1,1)
hist(a,30)
subplot(2,1,2)
hist(b,30)
size(find(a<=40&b>=40));

#generamos una matriz 1000 x 30 de datos poisson con lambda=3
  mpoiss=poissrnd(3,10000,30);
  mediaspois=mean(mpoiss,2);
  hist(mediaspois,100)
  #contamos cuantos caen entre 2.5 y 3.5
  size(find(mediaspois>=2.5&mediaspois<=3.5))
#generamos matrices n x 40 de datos normales estandar, n=100, 1000, 5000 y 10000
#problema 3
contador=0
figure()
for v=[100 1000 5000 10000]#la variable v tomara cada valor del vector
  contador=contador+1
  matriz=normrnd(0,1,v,40);#generamos la matriz
  mu_est=mean(matriz,2);#guardamos el promedio de cada fila de la matriz
  media_cuadrados=mean(matriz.^2,2);#el promedio de los cuadrados
  sigma_est=media_cuadrados-mu_est.^2;#estimador de sigma cuadrados
  subplot(4,2,2*contador-1)
  hist(mu_est,sqrt(v))
  title(['estimaciones de mu, n=',num2str(v)])
  subplot(4,2,2*contador)
  hist(sqrt(sigma_est),sqrt(v))
  title(['estimaciones de sigma, n=',num2str(v)])
end#en cada figura vamos a la opcion file y la guardamos