Resumen de Comandos

de Matlab

1. Vectores

Para crear un vector en MATLAB podemos hacerlo de tres formas:

(a) Introduciendo los valores entre corchetes separados por espacios o comas.
V= [1,2,5,-1] o V=[1 2 5 -1]

(b) Mediante la notación dos puntos, (0:0.1:1) crea un array que comienza en cero,
incrementa 0.1 y finaliza en 1.

(c) Mediante la función linspace

linspace(primer exponente, último exponente,número de valores)

1.1. Acceso a los elementos de un array

• x(4) accede al cuarto elemento del vector x.

• x(1:5) nos da los elementos del primero al quinto del vector x.

• x(1:2:5) muestra los elementos del primero al último indicado, incrementados o

decrementados el número que aparece en el centro.

• y([8 2 9 1]) muestra los elementos octavo, segundo, noveno y primero.

1
2 MATRICES 2

1.2. Matemáticas con Arrays

Las operaciones matemáticas sencillas entre escalares y arrays siguen una interpreta-
ción natural, es decir, se aplica la operación a todos los elementos del array.

Dados dos vectores x e y de la misma longitud:

x + y; % Suma los elemsntos de x e y

x -y; %Resta a cada elento de x el correspondiente de y
x.*y; %Multiplica cada x por y elemento a elemento
x./y; % Divide elemernto a elemento
x.^2; %Eleva cada elemento de x al cuadrado
x’; % Calcula el vector traspuesto de x
ones(m,1); % Genera un vector columna de m unos
sum(x) %Suma todos los eleemntos del vector x

La orden whos proporciona información adicional sobre los arrays.

La orden length(x) nos devuelve el número de elementos del vector x.

2. Matrices

La creación de matrices (orientación rectangular) sigue la misma estructura de los

vectores fila y columna.

Una matriz puede tener múltiples filas, pero cada fila debe tener un número igual de
columnas.

Al igual que ocurrı́a con los vectores, para manipular matrices se suele utilizar la
notación de dos puntos.

Ası́, A(1:4,3) es el vector columna que consiste en las cuatro primeras entradas de la
tercera columna de A.

Dos puntos sin más especificación denotan una fila o columna completa: A(:,3) es la
tercera columna de A y A(1:4,:) son las cuatro primeras filas.
2 MATRICES 3

2.1. Operaciones con matrices.

MATLAB dispone de las siguientes operaciones con matrices:

+ adición
- sustracción
∗ multiplicación
ˆ potenciación
’ traspuesta conjugada
\ división izquierda
/ división derecha

Estas operaciones para matrices se aplican también a escalares (matrices 1 por 1).

Es importante hacer notar que las operaciones ∗, ˆ, \ y / precedidas por un punto,

operarán coordenada a coordenada.

La “división matricial” merece un comentario especial. Si A es una matriz invertible

y b es un vector columna compatible (resp. fila), entonces A\b es la solución de Ax = b
(resp. x=b/A es la solución de xA = b).

2.2. Algunas funciones de matrices

• A.’ es la transpuesta de la matriz A. A’ es la transpuesta conjugada.
• ones(m,n) genera una matriz m × n con todos los elementos iguales a 1.
• size(A) nos devuelve dos números m y n donde m indica el número de filas y n el
de columnas.
• inv(A) nos devuelve la inversa de la matriz cuadrada A.
• det(A) obtiene el valor del determinante de la matriz cuadrada A (caso que exista).

Nota 1. Para una lista más exhaustiva teclear el comando help matfun.

También podemos utilizar variables lógicas en los vectores. La variables lógicas toman
los valores 0 (falso) o 1 (verdadero).

Ası́, abs(v)>=2 nos devuelve un vector de ceros y unos donde los ceros están colocados
en aquellas posiciones donde abs(v(i))<2 (no verifican la condición) y 1 donde la verifican
(abs(v(i))>=2).
3 OPERACIONES RELACIONALES Y LÓGICAS 4

La función find devuelve los subı́ndices o ı́ndices donde una expresión relacional es
verdadera.

find(abs(v)>=2) Nos devuelve las posiciones del vector para las que se verifica la
condicion lógica anterior.

3. Operaciones Relacionales y Lógicas

En expresiones relacionales y lógicas, cualquier número distinto de cero es verdadero,

y es falso si es igual a cero. La salida produce 1 (verdadero), y 0 (falso).

OPERADOR DESCRIPCIÓN
< menor que
≤ menor o igual que
> mayor que OPERADOR DESCRIPCIÓN
≥ mayor o igual que & AND (y)
== igual | OR (o)
~= no igual. ˜ NOT (no).
Operadores Relacionales Operadores lógicos

3.1. Funciones Lógicas

FUNCIÓN DESCRIPCIÓN
xor(x,y) Operación OR exclusiva.
any(x) Si x vector, devuelve 1 si ∃x(i) ∈ x / xi 6= 0.
Si x matriz, devuelve 1 para cada columna
en la que hay elementos no nulos.
all(x) Si x vector devuelve 1 x(i) 6= 0 ∀i
Si x matriz devuelve uno para cada columna
con todos los elementos no nulos.
isnan(x) Devuelve 1 en magnitudes no numéricas en x.
isinf(x) Devuelve 1 en magnitudes infinitas (inf) en x.
finite(x) Devuelve unos en valores finitos en x.
4 INSTRUCCIONES DE CONTROL 5

4. Instrucciones de Control

La instrucción for

for x = array
órdenes
end

La instrucción while

while relación
órdenes
end

La instrucción if

La forma simple de una instrucción if es

if relación
órdenes
end

Una forma un poco más general es

if relación
órdenes evaluadas si relación es verdadera
else
órdenes evaluadas si relación es falsa
end

y por último, la más general

if relación1
órdenes evaluadas si relación1 es verdadera
elseif relación2
órdenes evaluadas si relación2 es verdadera
elseif
..
.
else
órdenes evaluadas si ninguna otra expresión es verdadera
end

La orden break termina la ejecución de bucles for y bucles while.

5 GRÁFICOS 6

5. Gráficos

Primero se crean los valores para los ejes, x (por ejemplo, x=-2:0.01:2) e y (y=x);
después se genera la gráfica con la orden
plot(x,y)

Opciones de la función plot:

• Superponer gráficas sobre los mismos ejes: plot(x,y,x,z)

• Usar distintos tipos de lı́neas: plot(x,y,’+’,x,z,’--’)

• Etiqueta sobre los ejes: xlabel(’texto’), ylabel(’texto’)

• Tı́tulos: title(’texto’).

• grid on añade una rejilla a la gráfica actual. grid off elimina la rejilla.

• Si uno de los argumentos es una matriz y el otro un vector, la orden plot representa
cada columna de la matriz respecto del vector.

• Se pueden especificar los colores y estilos de lı́nea dando un argumento adicional a

plot. Para ver las distintas posibilidades, teclear

help plot

• axis([xmin xmax ymin ymax]): Fija los valores máx. y mı́n. de los ejes.

Para ver las distintas posibilidades del comando axis, teclear, help axis.

• hold on: añade a un gráfico creado nuevas curvas. hold off la desactiva.

5.1. Subgráficos

La orden subplot(m,n,p) (o subplot(mnp)) subdivide la ventana de la figura actual

en una matriz m×n de las áreas de representación gráfica y escoge como activa el área
p-ésima.

Para retornar al modo por defecto: subplot(1,1,1).

clg Borra la pantalla gráfica.

6 DISTRIBUCIONES DE PROBABILIDAD 7

6. Distribuciones de probabilidad

6.1. Función de Densidad de Probabilidad (PDF)

A continuación describiremos algunas de dichas funciones.

• binopdf(x, n, p): Devuelve la probabilidad de que el número de éxitos en n ensayos

con probabilidad de éxito p, sea igual a x. Si n = 1, estamos ante la distribución de
Bernouilli.

• chi2pdf(x, v) Devuelva el valor de la función de densidad de la distribución Chi-

Cuadrado con v grados de libertad, evaluada en el punto x.

• geopdf(x, p): Devuelve la probabilidad de que el número de ensayos para obtener

un éxito sea igual a x, con probabilidad de éxito igual al parámetro p.

• poisspdf(x, λ): Devuelve la probabilidad de que un valor de la distribución de

Poisson de parámetro λ,sea igual x.

• unifpdf(x, a, b): Devuelve la densidad de probabilidad en el punto x de una variable

aleatoria uniforme en el intervalo [a, b].

• normpdf(x, µ, σ): Devuelve la densidad de probabilidad de la distribución normal

de media µ y varianza σ 2 , evaluada en x.

• exppdf(x, 1/λ): Devuelve la densidad de probabilidad en el punto x de una variable

aleatoria exponencial de parámetro λ.

6.2. Función de Densidad Acumulativa (cdf)

A continuación describiremos algunas de dichas funciones.

• binocdf(x,n,p) Devuelve la probabilidad de que una variable aleatoria Binomial

de parámetros n y p sea menor o igual que el valor x.

• chi2cdf(x,n) Devuelve la probabilidad de que una variable aleatoria Chi–cuadrado

con n grados de libertad sea menor o igual que el valor x.

• expcdf(x,1/λ) Devuelve la probabilidad de que una variable aleatoria Exponencial

de parámetro λ sea menor o igual que el valor x.
7 INTERVALOS DE CONFIANZA Y CONTRASTES DE HIPÓTESIS 8

• fcdf(x,n,m) Devuelve la probabilidad de que una variable aleatoria F de Snedecor

con n y m grados de libertad sea menor o igual que el valor x.

• geomcdf(x,p) Devuelve la probabilidad de que una variable aleatoria Geométrica

de parámetro p sean menor o igual que el valor x.

• normcdf(x,µ, σ) Devuelve la probabilidad de que una variable aleatoria Normal

de media µ y desviación tı́pica σ sea menor o igual que el valor x. Si los valores µ
y σ no se especifican Matlab toma por defecto los valores 0 y 1, es ecir, la normal
tipificada.

• poisscdf(x,λ) Devuelve la probabilidad de que una variable aleatoria Poisson de

parámetro λ sea menor o igual que el valor x.

• tcdf(x,n) Devuelve la probabilidad de que una variable aleatoria T de Student con

n grados de libertad sea menor o igual que el valor x.

• unifcdf(x,a,b) Devuelve la probabilidad de que una variable aleatoria Uniforme

(continua) en el intervalor (a, b) sea menor o igual que el valor x.

6.3. Funciones inversas

Para calcular el valor x de la variable aleatoria X especificada tal que P [X ≤ x] = p

para una probabilidad dada p:

modeloinv(probabilidad,parámetros)

7. Intervalos de confianza y contrastes de hipótesis

Una vez realizados los contrastes, hemos de tomar una decisión. Dicha toma de decisión
la haremos:

• Mediante el p-valor.
Si el p-valor es menor que el nivel de significación α significa que el valor del
estadı́stico usado pertenece a la región crı́tica y, en consecuencia, se rechaza la
hipótesis nula. Si el p-valor es mayor que el nivel de significación α significa que
el valor del estadı́stico usado pertenece a la región de aceptación y, en consecuencia,
no se rechaza la hipótesis nula.
7 INTERVALOS DE CONFIANZA Y CONTRASTES DE HIPÓTESIS 9

• Mediante el valor del estadı́stico de contraste.

Una vez calculado el valor del estadı́stico de contraste (o T –experimental), ten-
dremos que rechazar H0 si el dicho valor del T –experimental cae en la región de
rechazo.

7.1. Contrastes de hipótesis

• [h,p,IC,zval] = ztest(x,µ0 ,σ,α,cola). Contraste sobre la media µ de una pobla-

ción normal con σ conocida. Los argumentos son:

• x: vector de datos extraı́dos de la población N(µ, σ).

• µ0 : Hipótesis nula.

• σ: desviación tı́pica de la población.

• α: Nivel de significación del test.

• cola: cadena de caracteres que indica el tipo de contraste.

• cola = ‘both’ especifica la hipótesis alternativa µ 6= µ0 .

• cola = ’right’ especifica la hipótesis alternativa µ > µ0 .
• cola = ’left’ especifica la hipótesis alternativa µ < µ0 .

Los argumentos α y cola son opcionales. Sus valores por defecto son α = 0.05 y
cola=‘both’.

Las variables de salida son:

• h: indica el resultado del test.

• p: p–valor del test.

• IC: intervalo de confianza al 100(1 − α) % para la media verdadera.

• zval: Valor del estadı́stico Z.

• [h,p,IC,stats] = ttest(x,µ0 ,α,cola): Contraste sobre la media µ de una población

normal con σ desconocida. Si en vez de un vector, x, aparecen dos, x,y, realiza un contraste
de diferencia de emdias, para medias relacionadas. Los argumentos de esta función son:
7 INTERVALOS DE CONFIANZA Y CONTRASTES DE HIPÓTESIS 10

• x: vector de datos extraı́dos de la población N(µ, σ).

• µ0 : Hipótesis nula.
• α: Nivel del test.
• cola: cadena de caracteres que indica el tipo de contraste.

Los argumentos µ0 , α y cola son opcionales. Sus valores por defecto µ0 = 0, α = 0.05
y cola=’both’.

Las variables de salida son:

• h: indica el resultado del test.

• p: p–valor del test.
• IC: intervalo de confianza al 100(1 − α) % para la media verdadera.
• stats devuelve una estructura con los siguientes campos:
’tstat’ Valor del estadı́stico del test
’df’ Grados del libertad del test.
’sd’ Desviación tı́pica poblacional estimada. Para un test pareado, es la des-
viación estándar de x − y.

• [h,p,IC,stats] = vartest(x,σ02 ,α,cola). Contraste sobre la varianza σ 2 de una

población normal. Los argumentos de esta función son:

• x: vector de datos extraı́dos de la población N(µ, σ).

• σ02 : Hipótesis nula.
• α: Nivel del test.
• cola: cadena de caracteres que indica el tipo de contraste.

Los argumentos α y cola son opcionales. Sus valores por defecto son α = 0.05 y
cola=’both’.

Las variables de salida son:

• h: indica el resultado del test.

7 INTERVALOS DE CONFIANZA Y CONTRASTES DE HIPÓTESIS 11

• p: p–valor del test.

• IC: intervalo de confianza al 100(1 − α) % para la varianza.

• stats devuelve una estructura con los siguientes campos:

’chisqstat’ Valor del estadı́stico del test.

’df’ Grados del libertad del test.

• [h,p,IC,stats] = vartest2(x,y,α,cola). Contraste sobre el cociente de varianzas

σx2 /σy2 de dos poblaciones normales. Los argumentos de esta función son:

• x: vector de datos extraı́dos de la población N(µ, σ).

• Hipótesis nula: σx2 /σy2 = 1.

• α: Nivel del test.

• cola: cadena de caracteres que indica el tipo de contraste.

Los argumentos α y cola son opcionales. Sus valores por defecto son α = 0.05 y
cola=’both’.

Las variables de salida son:

• h: indica el resultado del test.

• p: p–valor del test.

• IC: intervalo de confianza al 100(1 − α) % para σx2 /σy2 .

• stats devuelve una estructura con los siguientes campos:

’fstat’ Valor del estadı́stico del test.

’df1’ Grados del libertad del numerador.
’df2’ Grados de libertad del denominador

• [h,p,ci,stats] = ttest2(x,y,alpha,cola,varianzas). Contraste para la diferen-

cia de medias de dos poblaciones con varianzas σ1 y σ2 desconocidas. Los argumentos de
esta función son:
8 REGRESIÓN LINEAL 12

• x, y: vectores de datos extraı́dos de las poblaciones normalesN(µ1 , σ1 ) y N(µ2 , σ2 )

.

• µ0 : Hipótesis nula.

• α: Nivel del test.

• cola: cadena de caracteres que indica el tipo de contraste.

• varianzas: cadena de caracteres que indica si se asumen o no varianzas iguales.

• varianzas = ’equal’ Se asume igualdad de varianzas.

• varianzas = ’unequal’ No se asume igualdad de varianzas.

Los argumentos µ0 , α, cola y varianzas son opcionales. Si no aparecen, sus valores

por defecto µ0 = 0, α = 0.05, cola=‘both’ y ’equal’.

Las variables de salida son:

• h: indica el resultado del test.

• p: p–valor del test.

• IC: intervalo de confianza al 100(1 − α) % para la media verdadera.

• stats devuelve una estructura con los siguientes campos:

’tstat’ Valor del estadı́stico del test

’df’ Grados del libertad del test.
’sd’ Desviación tı́pica poblacional estimada. Para un test pareado, es la des-
viación estándar de x − y.

Nota 2. Para ver todas las posibilidades de estos comandos teclear: help ztest, help
ttest, help vartest, help vartest2 o help ttest2.

8. Regresión lineal

El comando regress nos permite hacer tanto regresión lineal simple como múltiple.
Su sintaxis, en la forma más general, es la siguiente:
8 REGRESIÓN LINEAL 13

• [b,bint,r,rint,stats] = regress(y,X,alpha) que realiza un ajuste por mı́nimos

cuadrados de y sobre X resolviendo el sistema lineal

y = βX + ε ε ∽ N(0, σ 2 I)

para β, donde:

• y: es un vector de n × 1 observaciones.

• X: es una matriz Xn×p de regresores.

• β: β es un vector de parámetros.

• ε: es un vector de errores aleatorios.

• α: es el nivel de significación que genera un intervalo de confianza de 100(1 − α) %.

• b: es el ajuste por mı́nimos cuadrados.

• bint: es una matriz de intervalos al 95 %

• r: es el vector de restos.

• rint: es una matriz de intervalos que puede utilizarse para diagnosticar outliers.
Si rint(i, :) no contiene al cero,entonces el i-ésimo residuo es mayor de lo que se
esperarı́a con un nivel de significación del 5 % y esto sugiere que la observación es
u8n outlier.

• stats: es un vector que contien en el siguiente orden el estadı́stico R2, el estadı́stico

F , un p-valor del modelo completo y una estimación de la varianza del error.

Nota 3. X tiene que incluir una columna de unos de modo que el modelo contenga un
término constante. Los estadı́sticos F y p son calculados bajo la asumpción de que el
modelo tiene término constante y por tanto no son correctos para aquellos modelos sin
término constante. el valor de R2 es 1 menos la proporción entre la suma de errores
cuadrados y la suma total de cuadrados. Este valor puede ser negativo para modelos sin
término constante, lo que indicarı́a que el modelo nno es apropiado para el conjunto de
datos.

8.0.1. Otras comandos útiles en regresión

• b=polyfit(x,y,n). Calcula el polinomio de regresión de y sobre x de grado n.

8 REGRESIÓN LINEAL 14

Los coeficientes del polinomio de regresión, en orden decreciente, se almacenan en el vector

b.

• polyval(b,x) evalúa los valores del polinomio anterior para los distintos valores de x.