Download Funciones Continuas y Discretas
Document related concepts
no text concepts found
Transcript
FUNCIONES DISCRETAS Una función discreta es una función matemática cuyo dominio y codominio están contenidos en , es decir, es una función: El dominio de estas funciones es un conjunto discreto (es decir, finito o numerable), y por tratarse de una función (donde un elemento del dominio no puede estar asociado a más de uno del codominio) su conjunto imagen también lo es. Una función discreta no debe confundirse con una función discontinua, puesto que estas últimas corresponden a funciones reales definidas por tramos. Graficas: Binomial Poisson Geometrica Hipergéometrica DISTRIBUCIÓN BINOMIAL Un experimento binomial consiste en repetir n ensayos independientes en iguales circunstancias, cada ensayo sólo puede tener éxito o fracaso y la probabilidad de éxito se mantiene constante en cada ensayo. Es un experimento muy frecuente, por ejemplo: Se pregunta a 100 personas si van a votar a un determinado candidato. Se realizan 50 tiros a canasta y se contabilizan los aciertos. Se pregunta a 300 personas si practican algún deporte. Se pregunta a 100 personas si tienen conexión a Internet. Llamaremos: n , al número de ensayos. p, a la probabilidad de éxito en cada ensayo. q, a la probabilidad de fracaso, que será igual a 1-p. Consideramos la variable aleatoria X " Número de éxitos" . Se dice que X sigue una distribución binomial, B(n,p). Recorrido de X 0, 1, 2, 3, ..., n Función de probabilidad. n f (k ) P( X k ) p k q n k k n n! donde es el número de formas en que se pueden tener k éxitos de n k k!(n k )! intentos. Parámetros. n p n pq Nota: La Media estadística también se llama Esperanza Matemática porque indica el resultado que te cabe esperar, en este caso el número de aciertos que podemos esperar son los que se obtienen de media. EJEMPLO DE BINOMIAL. Tiramos 5 veces a canasta, la probabilidad de acertar cada tirada es 0,4. Consideramos la variable X " Número de aciertos" Recorrido de X = {0, 1, 2, 3, 4, 5} 5 k Función de probabilidad: f (k ) 0,4 k 0,6 5 k 5 0 5 0,4 0,6 0,0778 0 5 0,41 0,6 4 0,2592 1 5 0,4 2 0,63 0,3456 2 f ( x) 5 0,43 0,6 2 0,2304 3 5 4 1 0,4 0,6 0,0768 4 5 0,45 0,6 0 0,0102 5 si x 0 si x 1 si x 2 si x 3 si x 4 si x 5 Función de distribución: 0 0,0778 0,3370 F ( x ) 0,6826 0,9130 0,9898 1 si x 0 si 0 x 1 si 1 x 2 si 2 x 3 si 3 x 4 si 4 x 5 si x 5 Parámetros: n p 5 0,4 2 n p q 5 0,4 0,6 1,2 1,10 Distribución de Poisson. La distribución de Poisson es discreta (como la binomial) pues los valores que puede tomar la variable aleatoria son números naturales. Aunque en la distribución de Poisson los casos posibles en teoría son infinitos (numerable). La distribución de Poisson se caracteriza por un solo parámetro landa. Su media es landa y su varianza también es landa. La media está representada por un triángulo y se puede interpretar como un punto de equilibrio. Al arrastrarlo se modifica también el parámetro landa. Se puede mostrar una curva normal que tiene la misma media y varianza que la distribución de Poisson. Esta curva normal aproxima a la de Poisson en algunos casos. Los puntos grises controlan la escala vertical y horizontal de la gráfica y pulsando el botón derecho y arrastrando podemos moverla a derecha e izquierda DISTRIBUCIÓN GEOMÉTRICA. Esta distribución es un caso especial de la Binomial, ya que se desea que ocurra un éxito por primera y única vez en el último ensayo que se realiza del experimento, para obtener la fórmula de esta distribución, haremos uso de un ejemplo. Ejemplo: Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca águila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la probabilidad de que en el último lanzamiento aparezca una águila. Solución: Si nosotros trazamos un diagrama de árbol que nos represente los 8 lanzamientos de la moneda, observaremos que la única rama de ese árbol que nos interesa es aquella en donde aparecen 7 sellos seguidos y por último una águila; como se muestra a continuación: SSSSSSSA Sí denotamos; x = el número de repeticiones del experimento necesarias para que ocurra un éxito por primera y única vez = 8 lanzamientos p = probabilidad de que aparezca una águila = p( éxito) = 2/3 q = probabilidad de que aparezca un sello = p(fracaso) = 1/3 Entonces la probabilidad buscada sería; P(aparezca una águila en el último lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) = =q*q*q*q*q*q*q*p = Luego, la fórmula a utilizar cuando se desee calcular probabilidades con esta distribución sería; Donde: p(x) = probabilidad de que ocurra un éxito en el ensayo x por primera y única vez p = probabilidad de éxito q = probabilidad de fracaso Resolviendo el problema de ejemplo; x = 8 lanzamientos necesarios para que aparezca por primera vez una águila p = 2/3 probabilidad de que aparezca una águila q = 1/3 probabilidad de que aparezca un sello p(x=8) = Distribución Hipergeometrica. Una variable tiene distribución hipergeométrica si procede de un experimento que cumple las siguientes condiciones: 1) Se toma una muestra de tamaño n, sin reemplazamiento, de un conjunto finito de N objetos. 2) K de los N objetos se pueden clasificar como ‚éxitos y N - K como fracasos. X cuenta el número de ‚éxitos obtenidos en la muestra. El espacio muestral es el conjunto de los números enteros de 0 a n, ó de 0 a K si K < n. En este caso, la probabilidad del ‚éxito en pruebas sucesivas no es constante pues depende del resultado de las pruebas anteriores. Por tanto, las pruebas no son independientes entre sí. La función de probabilidad de la variable hipergeométrica es: Los parámetros de la distribución son n, N y K. Los valores de la media y la varianza se calculan según las ecuaciones: Si n es pequeño, con relación a N (n << N), la probabilidad de un ‚éxito variar muy poco de una prueba a otra, así pues, la variable, en este caso, es esencialmente binomial; en esta situación, N suele ser muy grande y los números combinatorios se vuelven prácticamente inmanejables, así pues, la probabilidades se calculan más cómodamente aproximando por las ecuaciones de una binomial con p = K / N. La media de la variable aproximada (μ = n p = n (K / N)) es la misma que la de la variable antes de la aproximación; sin embargo, la varianza de la variable binomial es ligeramente superior a la de la hipergeométrica. el factor por el que difieren ser siempre menor que 1 y tan próximo a 1 como cierto sea que n << N. FUNCIONES CONTINUAS Distribución normal o de Gauss: La distribución normal fue definida por De Moivre en 1733 y es la distribución de mayor importancia en el campo de la estadística. Una variable es normal cuando se ajusta a la ley de los grandes números, es decir, cuando sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen infinitas causas de efecto infinitesimal. Las variables normales tienen una función de densidad con forma de campana a la que se llama campana de Gauss. Su función de densidad es la siguiente: Los parámetros de la distribución son la media y la desviación típica, μ y σ, respectivamente. Como consecuencia, en una variable normal, media y desviación típica no deben estar correlacionadas en ningún caso (como desgraciadamente ocurre en la inmensa mayoría de las variables aleatorias reales que se asemejan a la normal. La curva normal cumple las siguientes propiedades: 1) El máximo de la curva coincide con la media. 2) Es perfectamente simétrica respecto a la media (g1 = 0). 3) La curva tiene dos puntos de inflexión situados a una desviación típica de la media. Es convexa entre ambos puntos de inflexión y cóncava en ambas colas. 4) Sus colas son asintóticas al eje X. Distribución Gamma (Γ) La distribución gamma se define a partir de la función gamma, cuya ecuación es: La función de densidad de la distribución gamma es: α y β son los parámetros de la distribución. La media y la varianza de la variable gamma son: Distribución exponencial Es un caso particular de la distribución gamma cuando α = 1. Su función de densidad es: Su parámetro es β. La media y la varianza de la distribución exponencial son: Distribución Chi-cuadrado Es otro caso particular de la distribución gamma para el caso β = 2 y α = n / 2, siendo n un número natural. Su función de densidad es: El parámetro de la distribución es y su media y su varianza son, respectivamente: Otra forma de definir la distribución es la siguiente: Supongamos que tenemos n variables aleatorias normales independientes, X1,..., Xn, con media μi y varianza definida como (i = 1 ... n), la variable Tiene distribución con n grados de libertad y se le denomina n. Variables chi-cuadrado con valores de asimétricas.. progresivamente mayores son cada vez menos Distribución Uniforme En estadística la distribución uniforme es una distribución de probabilidad cuyos valores tienen la misma probabilidad. Distribución uniforme (caso continuo). Se dice que una variable aleatoria X continua tiene una distribución uniforme en el intervalo [a,b] si la función de densidad de probabilidad (FDP) es La función de distribucion en el caso continuo entre a y b es Su media estadistica es (a + b) / 2 y su varianza (b − a)2 / 12. Aplicando la formula anterior a una serie de valores aleatorios, se produce la siguiente grafica: Gráfica de distribución Uniforme; Inferior=0; Superior=1 1,0 Densidad 0,8 0,6 0,4 0,2 0,0 0,0 0,2 0,4 0,6 X 0,8 1,0