# -*- coding: utf-8 -*-

#Las funciones de estadística que vamos a usar
from numpy import random, mean, std
#Las funciones para graficar
from pylab import hist, figure, legend, show

#genero 10 numeros reales al azar entre 0 y 1, con una
#distribucion uniforme

samples = random.random(10)
print samples

#la funcion hist hace el histograma de los datos, es decir cuenta
#cuantos caen en cada uno de los intervalos (bins) indicados.

figure()
hist(samples, label='10 nros aleatorios')
legend()

#son pocas muestras, veamos mas

samples = random.random(1e5)

figure()
hist(samples, 50, label='1e5 nros aleatorios')
legend()
#tambien vemos la media y la desviacion std

#la media debe ser 1/2
media = mean(samples)
print "Valor medio con 1e5: {0}".format(media)

#sigma = sqrt(<^2> - <>^2), debe ser 1/(2 Sqrt(3)) ~ 0.288675134594813)
sigma = std(samples)
print "Desviación estándar con 1e5: {0}".format(sigma)

samples = random.random(1e7)

figure()
hist(samples, 50, label='1e7 nros aleatorios')
legend()
media = mean(samples)
print "Valor medio con 1e7: {0}".format(media)
sigma = std(samples)
print "Desviación estándar con 1e7: {0}".format(sigma)


#si quieren guardar el estado del generador de 
#numeros aleatorios
st=random.get_state()


#podemos repetir los mismo con la distribution binomial con N y p

#en Matlab y Octave se necesitan paquetes especiales que puede
#que no tengas instalado

N=500
p=0.5
samples=random.binomial(N, p, 1e5)

#deberia ser N p
media = mean(samples)
print "Valor medio para la binomial: {0}".format(media)
#deberia ser sqrt(N p (1-p))
sigma =  std(samples)
print "Desviación estándar para la binomial: {0}".format(sigma)

figure()
hist(samples, 30, label="Distribucion binomial")
legend()

show()