Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Alumno:
Martinez, Mariano CI: 28.536.219
Función discreta
Una función discreta f, es una función matemática cuyo dominio de definición es un
conjunto numerable (o discreto). Es decir, es una definición:
Una función discreta no debe confundirse con una función discontinua, puesto que estas
últimas corresponden a funciones reales definidas por tramos.
Este tipo de funciones son muy comunes en las ramas de matemática discreta y teoría de
computación, dado el manejo finito de datos que en ellos se utiliza. Por ejemplo, las
funciones de distribución de variable discreta en estadística son un conocido ejemplo de
funciones discretas.
La función solamente está definida en valores enteros de k. Las líneas que conectan los
puntos son solo guías para el ojo y no indican continuidad.
Ejemplo de función discreta
Debido a la depreciación a la que está sujeto un bien material, que originalmente costó
$1,000.00, tiene un valor anual dado por la expresión siguiente
f (n)=1000(1−0.05) n; n= {0,1,2, 3, ...}
Donde n representa el año de envejecimiento. Esta es una función discreta donde los
valores de su dominio están equiespaciados y su representación en forma de sucesión es la
siguiente:
f (n) = {1000, 950, 900,850, ...}
Distribución de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante cierto período de
tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos «raros».
Fue propuesta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su trabajo
Recherches sur la probabilité des jugements en matières criminelles et matière civile
(Investigación sobre la probabilidad de los juicios en materias criminales y civiles).
La distribución de Poisson es popular porque modela el número de veces que ocurre un
evento en un intervalo de tiempo.
Propiedades
Si entonces la variable aleatoria X satisface algunas propiedades.
Media
La media de la variable aleatoria X es
Varianza
La varianza de la variable aleatoria X es
Es decir, tanto el valor esperado como la varianza de una variable aleatoria con distribución
de Poisson son iguales a
Momentos
Los momentos de orden superior son polinomios de Touchard en cuyos coeficientes
tienen una interpretación combinatoria. De hecho, cuando el valor esperado de la
distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-ésimo momento
iguala al número de particiones de tamaño n.
Moda
La moda de la variable aleatoria X es esto es, el mayor de los enteros menores que
Ejemplo
Si el 2% de los libros encuadernados en cierto taller tienen encuadernación defectuosa, para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribución de Poisson, si se define X como el
número de libros que tengan encuadernación defectuosa entonces k=5 y (el valor
esperado de libros defectuosos) es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad
buscada es:
Función Hipergeométrica
En matemáticas, la función hipergeométrica gaussiana u ordinaria 2F1 (a,b;c;z) es una
función especial representada por la serie hipergeométrica, que incluye muchas otras
funciones como casos especiales o límite. Es una solución de una ecuación diferencial
ordinaria (EDO) lineal de segundo orden. Cada EDO lineal de segundo orden con tres
puntos singulares regulares puede transformarse en esta ecuación.
Para obtener listas sistemáticas de algunos de los muchos miles de identidades publicadas
que involucran la función hipergeométrica, consúltense los trabajos de referencia de Erdélyi
et al. (1953) y Olde Daalhuis (2010). No hay un sistema conocido para organizar todas las
identidades; de hecho, no se dispone de un algoritmo que pueda generar todas las
identidades; aunque existen varios algoritmos diferentes que generan distintas series de
identidades. La teoría del descubrimiento algorítmico de identidades sigue siendo un tema
de investigación activo.
Ejemplo
Supongamos que hay diez automóviles disponibles para que usted los pruebe (N = 10) y
cinco de ellos tienen motores turbo (x = 5). Si prueba tres de los vehículos (n = 3), ¿cuál es
la probabilidad de que dos de los tres que probará tengan motores turbo?
La probabilidad de que seleccione exactamente dos automóviles con motores turbo de
forma aleatoria cuando pruebe tres de los diez vehículos es 41.67%.
Distribución multinomial
En teoría de probabilidad, la distribución multinomial o distribución multinómica es una
generalización de la distribución binomial.
La distribución binomial es la probabilidad de un número de éxitos en N sucesos de
Bernoulli independientes, con la misma probabilidad de éxito en cada suceso. En una
distribución multinomial, el análogo a la distribución de Bernoulli es la distribución
categórica, donde cada suceso concluye en únicamente un resultado de un número finito K
de los posibles, con probabilidades
Entonces sea la variable aleatoria Xi, que indica el número de veces que se ha dado el
resultado i sobre los n sucesos. El vector X= (X1, ..., Xk) sigue una distribución
multinomial con parámetros n y p, donde p= (p1, ..., pk).
Nótese que en algunos campos las distribuciones categóricas y multinomial se encuentran
unidas, y es común hablar de una distribución multinomial cuando el término más preciso
sería una distribución categórica.
Propiedades
La esperanza matemática del suceso i observado en n pruebas es:
La varianza es:
Ejemplo
Lanzas un dado diez veces para ver qué número sacas. Hay 6 posibilidades (1, 2, 3, 4, 5, 6),
así que este es un experimento multinomial. Si tiras el dado diez veces para ver cuántas
veces sacas un tres, sería un experimento binomial (3 = éxito, 1, 2, 4, 5, 6 = fracaso).