Documentos de Académico
Documentos de Profesional
Documentos de Cultura
k!
Sus medidas principales son:
E(X) = V ar(X) = .
Observacion 4 Si Y es la variable que modeliza el n umero de sucesos en t unidades de
soporte (t > 0), la variable Y es tambien de Poisson y su parametro es t, pues por las
propiedades de los procesos de Poisson se deduce que el n umero medio de sucesos en t unidades
de soporte es t.
Proposicion 1 Si X
1
, . . . , X
k
son variables aleatorias independientes, con distribucion de
Poisson, con parametros
i
, i = 1, 2, . . . , k entonces la variable aleatoria X =
k
i=1
X
i
tiene
distribucion de Poisson de parametro =
k
i=1
i
.
Teorema 1 Teorema de Poisson
Sea {X
n
}
n=1
una sucesion de v. a., tales que X
n
; B(n, p
n
). Si lim
n
np
n
= y X es una
v.a. con distribucion P(), se tiene que:
lim
n
p(X
n
x) = p(X x), para cada x IR.
Observacion 5 Este ultimo resultado se utiliza en la practica para aproximar las probabilidades
relativas a una variable B(n, p) con n grande y p peque o por probabilidades relativas a una
variable de Poisson de parametro = np. Utilizaremos esta aproximacion cuando n 25 y
p < 0.01.
Estadstica 56
5.2 Modelos continuos.
(a) Distribucion exponencial
La variable aleatoria T que en los procesos de Poisson modeliza el tiempo entre la ocurrencia de
dos sucesos consecutivos, tiene una distribucion que llamaremos exponencial de parametro > 0;
la denotaremos por T;Exp(). Su ley de probabilidades es:
S
X
= (0, )
f(t) =
_
0 si t < 0
e
t
si t 0
Su funcion de distribucion viene dada por:
F(t) = 1 e
t
Sus medidas principales son:
E(X) =
1
V ar(X) =
1
2
.
Es el ejemplo mas simple de las distribuciones utilizadas en abilidad.
Proposicion 2 Propiedad de perdida de memoria de la distribucion exponencial.
Si X es una v.a. con distribucion Exp(), entonces
p(X x +h/(X > x)) = p(X h)para cada x, h 0.
Demostracion
Para cada x > 0 y cada h 0,
p(X x +h/(X > x)) =
p(X x +h)
p(X > x)
=
=
e
(t+h)
e
t
= e
h
= p(X h)
(b) Distribucion uniforme continua
La variable aleatoria X tiene una distribucion uniforme continua de parametros a y b, que
denotaremos por U(a, b), si su ley de probabilidades es:
S
X
= [a, b] (o (a, b], [a, b), (a, b); denotaremos al intervalo por I)
f(x) =
_
1
ba
si x I
0 en otro caso
Sus medidas principales son:
E(X) =
a +b
2
V ar(X) =
(b a)
2
12
.
Estadstica 57
(c) Distribucion normal
La variable aleatoria X tiene una distribucion normal de parametros y , X ; N(, ) si su
ley de probabilidades es:
S
X
= IR
f(x) =
1
2
exp
_
1
2
_
x
_
2
_
, para cada x IR.
Propiedades 2 i. E(X) =
ii. V ar(X) =
2
iii. Es simetrica respecto de media, mediana y moda, que coinciden con .
iv. La funcion de densidad tiene puntos de inexion en .
v. La funcion de densidad tiende asintoticamente a 0 en .
vi. Q
1
= 0.675, Q
3
= + 0.675 y por tanto, el IRQ es 1.35.
vii. En 2 se encuentra el 95.5% de la distribucion y en 3 se encuentra el 99.7% de la
misma.
viii. Si X ;N(, ), entonces la variable estandarizada, Z =
X
i=1
X
i
tiene distribucion N(
n
i=1
i
,
i=1
2
i
).
5.3 Teorema Central del Lmite.
El modelo normal es uno de los utilizados mas frecuentemente, debido a que en muchas situaciones, los
resultados de un experimento son consecuencia de m ultiples causas de pequea incidencia individual,
pero cuyos efectos se suman, dando lugar a los resultados del experimento (por ejemplo, los errores
de medida, en muchas situaciones); en estas situaciones, el modelo normal suele aproximar bien el
comportamiento de los resultados del experimento. El siguiente teorema explica el buen funcionamiento
del modelo normal:
Teorema 2 Sea {X
n
}
n=1
una sucesi on de variables aleatorias independientes con E(X
i
) =
i
y
V ar(X
i
) =
2
i
. Entonces la sucesion de variables aleatorias denida por:
Z
n
=
n
i=1
X
i
i=1
i
_
n
i=1
2
i
_
1/2
converge asintoticamente a una variable aleatoria con distribucion N(0, 1), es decir, si F
n
es la funcion
de distribucion de la variable Z
n
, n = 1, 2, . . ., y es la funcion de distribucion de una variable N(0, 1),
entonces para cada x IR,
lim
n
F
n
(x) = (x).
Estadstica 58
Tambien se dice que
n
i=1
X
i
es asintoticamente una variable N(
n
i=1
i
,
i=1
2
i
)
Observaci on 6 Si {X
n
}
n=1
es una sucesion de variables aleatorias independientes e identicamente
distribuidas, todas ellas tendran la misma media () y la misma desviacion tpioca (), y en ese
caso, la variable
n
i=1
X
i
es asintoticamente una variable N(n
,
n)
El teorema anterior nos dice que si X
1
, X
2
, . . . X
n
son variables aleatorias independientes, las
probabilidades p(X x) de la variable X =
n
i=1
X
i
se pueden aproximar por valores de la funcion
de distribucion de la variable Y ; N(
n
i=1
E(X
i
),
i=1
2
(X
i
)), si n es sucientemente grande.
En general, la aproximacion es v alida para valores n 30.
Correccion de continuidad: Si la variable X =
n
i=1
X
i
es discreta, para que la aproximacion de
la variable X por la variable Y ; N(
n
i=1
E(X
i
),
i=1
2
(X
i
)) resulte mas precisa se utiliza la
llamada correccion de medio punto o de continuidad, que asigna a F
X
(b) el valor F
Y
(b + 0.5) si
b S
X
.
Si aplicamos el teorema anterior a una sucesion de variables con distribucion B(p) (Bernouilli de
parametro p), se obtiene el siguiente resultado:
Teorema 3 Teorema de De Moivre
Sea {X
n
}
n=1
una sucesion de variables aleatorias independientes con distribucion B(n, p). Entonces
X
n
es asintoticamente normal, con parametros = np y =
npq.
Observaci on 7 Como la distribucion binomial es discreta y la normal es continua, hay que
aplicar la correccion de medio punto o de continuidad, para aproximar p(X b).
La aproximacion de la probabilidad p(X b) de una binomial X ; B(n, p) por la probabilidad
p(Y b +0.5) de una normal Y ;N(np,
npq.
Tampoco es, en general, adecuada la aproximacion para valores p <
1
n+1
o p >
n
n+1
.
Si p es proximo a 0.5, con n > 10 la aproximacion es satisfactoria.
Si 0.1 p 0.9 y n 25 la aproximacion es satisfactoria.
Como consecuencia del teorema de Poisson y del teorema de De Moivre, se puede demostrar
que una distribucion de Poisson de parametro se puede aproximar por medio de una variable
aleatoria N(,
()
(x)
1
e
x
si x > 0
Su funcion de distribucion viene dada por:
F(t) = 1
r1
i=0
e
x
(x)
i
i!
Sus medidas principales son:
E(X) =
V ar(X) =
2
.
En general, esta variable se utiliza para modelizar el tiempo hasta el fallo en distintos componentes.
En el caso particular de que = 1, entonces la distribucion gamma es una exponencial de
parametro .
En el caso particular de que sea un n umero natural, la variable X es suma de v. a.
independientes con distribucion exponencial, de parametro
(b) Distribucion de Weibull.
La variable aleatoria X tiene una distribucion de Weibull de parametros y (ambos positivos)
si su ley de probabilidad es:
S
X
= (0, )
f(x) =
_
_
_
0 si x 0
exp
_
_
x
_
si x > 0
Su funcion de distribucion viene dada por:
F(t) = 1 exp
_
_
x
_
Sus medidas principales son:
E(X) =
_
1 +
1
_
V ar(X) =
2
_
_
1 +
2
_
1 +
1
_
2
_
En general, esta variable se utiliza para modelizar el tiempo hasta el fallo en distintos componentes.