Present Tema 5

Principales distribuciones discretas
Principales distribuciones continuas

Aproximaciones por la distribucin normal
Distribuciones fundamentales
Noviembre 2010
Distribuciones fundamentales 1 of 76
Vamos a estudiar algunas de las funciones de probabilidad (en
el caso discreto) o funciones de densidad (en el caso continuo)
que aparecen con ms frecuencia.
En general sern familias de funciones dependientes de uno o
dos parmetros (los llamados parmetros de la distribucin).
Distribucin de Bernoulli
Variable binomial
Variable de Poisson
Aproximacin de la binomial por la Poisson
Experimento de Bernoulli: experimento aleatorio con dos
posibles resultados o sucesos elementales. Ejemplo: tirar una
moneda; decidir si determinada componente es defectuosa o
no... Escogemos uno de los resultados A y le llamamos
"xito"; al otro B le llamamos "fracaso".Llamamos p a la
probabilidad del suceso elemental "xito"; la probabilidad del
"fracaso" ser 1 p.
Variable binomial
Variable de Poisson
Variable aleatoria de Bernoulli:
E
A
B
0
1
X
asocia al xito el nmero 1 y al fracaso el nmero 0, es decir,

cuenta el nmero de xitos en un solo experimento de
Bernoulli.
Variable binomial
Variable de Poisson
Variable de Bernoulli de parmetro p (probabilidad de xito)
R
X
= {0, 1}
Funcin de probabilidad: P[X = 0] = 1 p; P[X = 1] = p.
Esperanza matemtica: E(X) = 0 (1 p) + 1 p = p.
Varianza: VarX = E(X
2
) E(X)
2
E(X
2
) = 0
2
(1 p) + 1
2
p = p, luego
VarX = p p
2
= p(1 p). Luego
X
=
p(1 p).
Variable binomial
Variable de Poisson
Ejemplo: el 5 % de los componentes fabricados por
determinada empresa son defectuosos. Se escoge un
componente al azar y se examina para decidir si es defectuoso
o no. ste es un experimento de Bernoulli. Llamamos "xito"
al suceso "el componente es defectuoso". La variable de
Bernoulli asociada X tiene parmetro p = 0
05; su esperanza
es p = 0
05 y su desviacin tpica es
p(1 p) =
05 0
95 0
21794.
Variable binomial
Variable de Poisson
La variable binomial cuenta el nmero de xitos obtenidos en
varias repeticiones independientes del mismo experimento de
Bernoulli.
Ejemplo: El 5 % de los componentes fabricados por
determinada empresa son defectuosos. Sea X el nmero de
componentes defectuosos en un lote de 5.X cuenta el nmero
de xitos en cinco experimentos de Bernoulli independientes y
con parmetro 0
05.
Una variable binomial tiene dos parmetros: n (nmero de
experimentos), p (probabilidad de xito). En el ejemplo, X es
una binomial con n = 5 y p = 0
05; se suele escribir

X Bin(5, 0
05).
Variable binomial
Variable de Poisson
El 5 % de los componentes fabricados por determinada
empresa son defectuosos. Sea X el nmero de componentes
defectuosos en un lote de 5. X Bin(5, 0
05).
Es claro que R
X
= {0, 1, 2, 3, 4, 5}. Cmo ser la funcin de
probabilidad de X?
Por ejemplo P[X = 0] es la probabilidad de que no haya
componentes defectuosos.
0'950'950'950'950'95
Como las cinco componentes son independientes y la
probabilidad de que cada una de ellas sea buena es 0
95, la
probabilidad pedida es 0
95
5
.
Variable binomial
Variable de Poisson
05).
P[X = 1] es la probabilidad de que haya exactamente un
componente defectuoso.
0'050'950'950'950'95 0'950'050'950'950'95
0'950'950'050'950'95 0'950'950'950'050'95
0'950'950'950'950'05
Entonces P[X = 1] = 5 0
05 0
95
4
Variable binomial
Variable de Poisson
05).
P[X = 2] es la probabilidad de que haya exactamente dos
componentes defectuosos.
0'050'050'950'950'95 0'050'950'050'950'95
etc.
Es claro que P[X = 2] vale 0
05
2
0
95
3
multiplicado por el
nmero de formas de asignar dos de las cinco componentes
como defectuosas. Es el nmero de subconjuntos de 2
elementos que hay en un conjunto de 5, es decir,
5
2
= 10.
Luego P[X = 2] =
5
2
05
2
0
95
3
Variable binomial
Variable de Poisson
05).
P[X = 0] = 1 0
05
0
0
95
5
, P[X = 1] = 5 0
05
1
0
95
4
,
P[X = 2] =
5
2
05
2
0
95
3
En general P[X = x] =
5
x
05
x
0
95
5x
, x = 0, 1, 2, 3, 4, 5.
Si X Bin(n, p), su funcin de probabilidad es
P[X = x] =
n
x
p
x
(1 p)
nx
, x = 0, 1, 2, , n.
Variable binomial
Variable de Poisson
La variable binomial (n, p) cuenta el nmero de xitos
obtenidos en n repeticiones independientes de un experimento
de Bernoulli con probabilidad de xito p.
Denicin alternativa: Una binomial (n, p) es la suma de n
variables de Bernoulli independientes de parmetro p.
En el ejemplo que hemos visto:
X = X
1
+ X
2
+ X
3
+ X
4
+ X
5
donde
X
1
es 1 si la componente 1 es defectuosa y 0 en otro caso,
X
2
es 1 si la componente 2 es defectuosa y 0 en otro caso, etc.
Son variables de Bernoulli independientes con parmetro 0
05.
En general, si X Bin(n, p), se puede poner
X = X
1
+ X
2
+ + X
n
, donde X
i
Bernoulli (p)
independientes.
Variable binomial
Variable de Poisson
Si X es binomial (n, p) entonces se puede poner
X = X
1
+ X
2
+ + X
n
, donde X
i
Bernoulli (p)
independientes.
De aqu deducimos fcilmente E(X) y VarX (recordar que
E(X
i
) = p, VarX
i
= p(1 p) :
E(X) = E(X
1
) + E(X
2
) + + E(X
n
) = p + p+
n
. . . +p = np
VarX = VarX
1
+ VarX
2
+ + VarX
n
=
p(1 p) + p(1 p)+
n
. . . +p(1 p) = np(1 p)
En esta ltima igualdad hemos utilizado que los X
i
son
independientes.
E(X) = np, VarX = np(1 p)
Variable binomial
Variable de Poisson
0 1 2 3 4 5
FUNCIN DE PROBABILIDAD DE BINOMIAL (5,0.05)
0
.
0
0
.
2
0
.
4
0
.
6
E(X) = 5 0
05 = 0
25;
X
=
5 0
05 0
95 0
4873
Variable binomial
Variable de Poisson
0 1 2 3 4 5
0
.
0
0
.
1
0
.
2
0
.
3
E(X) = 5 0
25 = 1
25;
X
=
5 0
25 0
75 0
9682
Variable binomial
Variable de Poisson
0 1 2 3 4 5
0
.
0
0
0
.
1
0
0
.
2
0
0
.
3
0
E(X) = 5 0
5 = 2
5;
X
=
5 0
5 0
5 1
1180
Variable binomial
Variable de Poisson
0 1 2 3 4 5
0
.
0
0
.
1
0
.
2
0
.
3
E(X) = 5 0
75 = 3
75;
X
=
5 0
75 0
25 0
9682
Variable binomial
Variable de Poisson
0 1 2 3 4 5
0
.
0
0
.
2
0
.
4
0
.
6
E(X) = 5 0
95 = 4
75;
X
=
5 0
95 0
05 0
4873
Variable binomial
Variable de Poisson
La variable de Poisson se utiliza para modelar el nmero de
veces que ocurre determinado fenmeno puntual a lo largo de
un intervalo continuo de tiempo. Por ejemplo: nmero de
accidentes de trco en determinada rea durante un mes.
Nmero de grandes inundaciones que se producen en un rea
tropical en un ao. Nmero de clientes que entran en un
supermercado en una maana...
Es una variable discreta porque el nmero de veces que ocurre
algo es un nmero entero siempre. Sin embargo es
completamente diferente de la binomial porque los fenmenos
ocurren a lo largo de un intervalo continuo de tiempo, no
como resultado de un nmero nito de experimentos.
Variable binomial
Variable de Poisson
Ejemplo: Por determinado punto de una calle en el que se
instala un control, pasa una media de 4 vehculos por minuto.
Cul es la probabilidad de que en un determinado minuto
pasen exactamente 2 coches?
Si un fenmeno aleatorio puntual ocurre a lo largo de un
perodo de tiempo, el nmero X de veces que ocurre ese
fenmeno en una unidad de tiempo tiene la siguiente funcin
de probabilidad:
P[X = x] = e

x
x!
, x = 0, 1, 2, 3, ... donde es el
nmero medio de veces que ocurre por unidad de tiempo.
En el ejemplo, P[X = 2] = e
4
4
2
2!
0
1465.
Variable binomial
Variable de Poisson
P[X = x] = e

x
x!
, x = 0, 1, 2, 3, ...
Para que esta frmula sea vlida es necesario que
la probabilidad de que ocurra n veces en determinado
subintervalo de tiempo sea igual para todos los subintervalos
de la misma duracin
las veces que ocurre el fenmeno en subintervalos disjuntos de
tiempo sean independientes
Variable binomial
Variable de Poisson
P[X = x] = e

x
x!
, x = 0, 1, 2, 3, ...,distribucin de
Poisson de parmetro .
Por determinado punto de una calle en el que se instala un
control, pasa una media de 4 vehculos por minuto. Sea X el
nmero de coches que pasan en un minuto dado.
P[X = x] = e
4
4
x
x!
, x = 0, 1, 2, 3, ... (Distribucin de
Poisson de parmetro 4.)
Cul es la probabilidad de que en un determinado minuto no
pasen coches?
P[X = 0] = e
4
4
0
0!
0
01832.
Notar que R
X
= {0, 1, 2, 3, } es innito. La suma de la
serie P[X = 0] +P[X = 1] +P[X = 2] +P[X = 3] + es 1.
Variable binomial
Variable de Poisson
0 1 2 3 4 5 6 7 8 9 10 12 14
FUNCIN DE PROBABILIDAD DE POISSON(4)
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
Variable binomial
Variable de Poisson
Esperanza y varianza de una variable de Poisson
Sea X una Pois().
P[X = x] = e

x
x!
, x = 0, 1, 2, 3, ...
En particular
E(X) =
x=0
xP[X = x] =
x=0
xe

x
x!
= =
Con un clculo parecido se obtiene VarX =
Variable binomial
Variable de Poisson
Nmero de llegadas de Poisson en un intervalo de tiempo
diferente de la unidad:
Por determinado punto de una calle en el que se instala un
control, pasa una media de 4 vehculos por minuto. (En un
minuto P[X = x] = e
4
4
x
x!
) Cul es la probabilidad de que
en tres minutos pasen 10 automviles?
Si la forma de ocurrir el fenmeno es la misma durante los 3
minutos (llegadas uniformes e independientes) entonces el
nmero de llegadas Y en 3 minutos es una variable de Poisson
con parmetro 3 4 en vez de 4.
P[Y = y] = e
12
12
y
y!
; en particular
P[Y = 10] = e
12
12
10
10!
0
1048
Variable binomial
Variable de Poisson
Nmero de llegadas de Poisson en un intervalo de tiempo
diferente de la unidad:
En general, el nmero de veces que ocurre en un intervalo de
tiempo de longitud t un fenmeno de Poisson() es
Poisson(t).
Variable binomial
Variable de Poisson
Ocurre con frecuencia que, para determinados valores de sus
parmetros, unas distribuciones se parecen mucho a otras, de
forma que para calcular probabilidades podemos escoger la que
resulte ms sencilla.
Ejemplo: Una mquina envasadora rompe de media un
elemento de cada 5000 que envasa. Las piezas envasadas se
comercializan en lotes de 40000. Cul es la probabilidad de
que un lote tenga 10 o menos elementos defectuosos?
Sea X el nmero de elementos defectuosos en el lote.
Entonces X Bin(40000,
1
5000
) y nos piden P[X 10].
P[X 10] = P[X = 0] + P[X = 1] + + P[X = 10] =
40000
0
(
1
5000
)
0
(1
1
5000
)
40000
+
40000
1
(
1
5000
)
1
(1
1
5000
)
39999
+ +
40000
10
(
1
5000
)
10
(1
1
5000
)
39990
Es un clculo complicado. El resultado es aproximadamente
0
8159056.
Variable binomial
Variable de Poisson
1
5000
Resulta que la funcin de probabilidad de Bin(40000,
1
5000
) es
casi idntica a la de Poisson de parmetro 8.
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
Bin(40000,1/5000)
Pois(8)
Variable binomial
Variable de Poisson
1
5000
La funcin de probabilidad de X Bin(40000,
1
5000
) es casi
idntica a la de

X Pois(8).
Por tanto aproximamos P[X 10] por
P[
X 10] = P[
X = 0] + P[
X = 1] + P[
X = 2] +
+P[
X = 10] = e
8
8
0
0!
+e
8
8
1
1!
+ +e
8
8
10
10!
0
8158858
Comparar con el valor obtenido antes: 0
8159056.
Variable binomial
Variable de Poisson
La funcin de probabilidad de X Bin(40000,
1
5000
) es casi
idntica a la de

X Pois(8).
En general: La funcin de probabilidad de una binomial (n, p)
se puede aproximar por la de una Poisson (np) cuando n es
muy grande y p es muy pequea" (aplicaremos esta
aproximacin para n 20, p < 0
05).
Cuando el nmero de intentos en una binomial es muy grande
y la probabilidad de xito muy pequea, se puede suponer que
los xitos son llegadas puntuales a lo largo de un continuo de
tiempo (Poisson).
Variable binomial
Variable de Poisson
La funcin de probabilidad de una binomial (n, p) se puede
aproximar por la de una Poisson (np) cuando n 20,
p < 0
05.
Si estas condiciones no se cumplen, la aproximacin no es
vlida:
0 1 2 3 4 5
0
.
0
0
.
1
0
.
2
0
.
3
0
.
0
0
.
1
0
.
2
0
.
3
Bin(5,0.25)
Pois(1.25)
Variable binomial
Variable de Poisson
La funcin de probabilidad de una binomial (n, p) se puede
aproximar por la de una Poisson (np) cuando n 20,
p < 0
05.
Por qu Pois(np)? Bin(n, p) Pois(??)
La aproximacin de Bin(n, p) es Pois(np) porque es la Poisson
que tiene la misma esperanza que Bin(n, p) (recordar que el
parmetro de una Poisson coincide con su esperanza).
Esto se hace siempre que aproximemos una distribucin por
otra: ajustar el parmetro de la que aproxima para que su
media coincida con la de la inicial (si son dos parmetros, que
coincidan media y varianza).
La distribucin uniforme
La distribucin exponencial
La distribucin normal
Se dice que una variable aleatoria continua X sigue una
distribucin uniforme cuando su funcin de densidad f
X
es
constante en su rango (un intervalo [a, b]).
a
b
f
X
El valor constante de f
X
en [a, b] es el que hace que el rea
bajo la curva sea igual a 1, es decir, f
X
(x) =
1
ba
en [a, b].
a
b
f
X
b-a
1/(b-a)
En una variable uniforme la probabilidad se reparte de forma
homognea en el rango: dos subintervalos de la misma
longitud tienen siempre la misma probabilidad.
a
b
a b
f
X
F
X
1
b-a
1
f
X
(x) =
0 (x < a)
1
ba
(a < x < b)
0 (x > b)
F
X
(x) =
0 (x < a)
xa
ba
(a x < b)
1 (x b)
Esperanza y varianza de una variable uniforme.
Si X U[a, b] (uniforme con rango [a, b]) entonces
f
X
(x) =
0 (x < a)
1
ba
(a < x < b)
0 (x > b)
E(X) =
b
a
x
1
ba
dx = =
a+b
2
VarX = E(X
2
) E(X)
2
=
b
a
x
2
1
ba
dx
a+b
2
2
= =
(ba)
2
12
. Luego
X
=
ba
12
.
Proceso de Poisson: fenmeno aleatorio puntual que ocurre de
forma uniforme e independiente a lo largo de un intervalo
indenido de tiempo [0, ).
En un proceso de Poisson de parmetro , el nmero de veces

que ocurre el fenmeno en cualquier intervalo de longitud s es
una variable de Poisson (s).
t=0
ongtud s:
Posson(s)
A un proceso de Poisson de parmetro se le pueden asociar
distintas variables aleatorias.
El nmero de llegadas en un intervalo de longitud 1 es una
variable de Poisson(). En general, el nmero de llegadas en
un intervalo de longitud s es una Poisson(s). sta es una
variable discreta.
El tiempo transcurrido desde t = 0 hasta la primera llegada.
sta es una variable continua llamada exponencial de
parmetro .
En un proceso de Poisson de parmetro (llegadas por unidad
de tiempo) denimos la variable T="tiempo hasta la primera
llegada".
R
T
= [0, )
Cul es la funcin de distribucin acumulada de T?
Fijamos un instante de tiempo t.
t 0
El suceso [T > t] coincide con el suceso "en el intervalo de
tiempo [0, t] hay 0 llegadas".
Pero el nmero de llegadas en [0, t] es una variable de
Poisson(t) que denotamos por X
t
. (Por la denicin de
proceso de Poisson().)
Entonces P[T > t] = P[X
t
= 0] = e
t
(t)
0
0!
= e
t
La funcin de distribucin acumulada de T ser
F
T
(t) = P[T t] = 1 P[T > t] = 1 e
t
para todo
t 0.
Variable exponencial de parmetro :
Rango [0, )
F
T
(t) =
0 (t < 0)
1 e
t
(t 0)
f
T
(t) =
0 (t < 0)
e
t
(t 0)
La variable exponencial de parmetro es el tiempo hasta la
primera llegada en un proceso de Poisson de parmetro .
Se puede demostrar que el tiempo entre dos llegadas
consecutivas en un proceso de Poisson de parmetro sigue la
misma distribucin.
t=0
T
1
T
2
T
3
T
4
T
5
todas
son Exp()
f
T
(t) =
0 (t < 0)
e
t
(t 0)
Esperanza y varianza de una exponencial de parmetro :
E(T) =
0
t e
t
dt = = 1/
VarT = E(T
2
) E(T)
2
=
0
t
2
e
t
dt (1/)
2
= =
1/
2
Se dice que una variable continua X sigue una distribucin
normal de parmetros R, > 0 cuando su funcin de
densidad asociada es
f
X
(x) =
1
2
e
(x)
2
2
2
, x R.
Se escribe X N(, ).
f
X
(x) =
1
2
e
(x)
2
2
2
, x R.
sta es una funcin de densidad bien denida para cualquier
valor de y cualquier valor positivo de , es decir,
2
e
(x)
2
2
2
dx = 1 para todos R, > 0.
Adems E(X) =
x
1
2
e
(x)
2
2
2
dx = =
y nalmente VarX = E(X
2
) E(X)
2
=

x
2 1
2
e
(x)
2
2
2
dx
2
= =
2
(clculos complicados)
Es decir, los parmetros y de una variable normal son
respectivamente su media y su desviacin tpica.
-6 -4 -2 0 2 4 6
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
x
d
n
o
r
m
(
x
)
N(0,1)
N(2,1)
N(0,3)
La grca de la densidad normal tiene forma de campana; es
simtrica respecto a su media, y tiene colas tanto ms grandes
cuanto mayor sea su desviacin tpica.
La media controla la posicin de la grca; la desviacin
tpica , su forma.
Si X N(, ), su funcin de densidad es
f
X
(x) =
1
2
e
(x)
2
2
2
, x R.
Si = 0 y = 1, se obtiene la variable N(0, 1) (normal
estndar) que denotaremos normalmente por Z.
f
Z
(z) =
1
2
e
z
2
2
, z R.
Los clculos relativos a cualquier N(, ) se pueden reducir a
la normal estndar.Las "tablas de la normal" son tablas de la
normal estndar.
Consulta de la tabla de la distribucin normal estndar:
Calcular F
Z
(2
33) = P[Z 2
33] siendo Z N(0, 1).

-4 -2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
2.33
??
Esta probabilidad es
33
2
e
z
2
2
dz. Este clculo es muy
complicado. Se hace con la ayuda de un ordenador, o
utilizando las tablas.
P[Z 2
33] = 0
9901
Calcular F
Z
(1
52) = P[Z 1
52] siendo Z N(0, 1).

En la tabla slo se puede entrar con valores positivos.
Utilizamos la simetra de la normal estndar con respecto a 0:
P[Z 1
52] = P[Z 1
52]
-4 -2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
-1.52
-4 -2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
1.52
= 1 P[Z < 1
52] = 1 P[Z 1
52] que ya podemos

buscar en la tabla.
Consulta de cuantiles de la normal:
Calcular el cuantil 0
95 de la normal estndar, es decir, calcular

z de forma que P[Z z] = 0
95.
-4 -2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
??
0.95

95.
Podemos "entrar en la tabla al revs":
z estar entre 1.64
y 1.65 (para ms
precisin hace-
mos interpolacin
lineal)

95.
Para los valores ms frecuentes de p, hay tablas de cuantiles
de la normal estndar:
Propiedades de la distribucin normal:
La suma de variables normales independientes es normal.
Si X es normal, cualquier variable de la forma aX + b es
tambin normal (aqu a = 0, b R).
La suma de variables normales independientes es normal.
Concretamente: Si X N(
X
,
X
) e Y N(
Y
,
Y
) son
independientes, entonces
X + Y N(
X
+
Y
,
2
X
+
2
Y
) ya que
la esperanza de la suma es la suma de las esperanzas,
X
+
Y
, y
la varianza de la suma es la suma de las varianzas (X e Y
independientes): la varianza de X + Y es
2
X
+
2
Y
, por tanto
la desviacin tpica de X + Y es
2
X
+
2
Y
.
Si X es normal, cualquier variable de la forma aX + b es
tambin normal.
Concretamente: Si X N(, ), entonces
aX + b N(a + b, |a|)
ya que E(aX + b) = aE(X) + b y
la varianza de aX es a
2
2
, por tanto su desviacin tpica es
a
2
2
= |a|.
Si X N(, ), entonces aX + b N(a + b, |a|).
En particular: Haciendo a =
1
, b =
obtenemos
1
N(
1
,
1
), es decir,
Si X N(, ), entonces
X
N(0, 1)
(estandarizacin de la variable X)
Esta transformacin sirve para reducir a una normal estndar
cualquier clculo referido a X N(, ).
Ejemplo: El espesor de un tipo de lmina metlica fabricada
por determinada compaa sigue una distribucin normal con
media 60 y desviacin tpica 2 (medidas en micras).
(a) Una lmina se considera aceptable si su espesor est
comprendido entre 57 y 65 micras. Qu porcentaje de lminas
cumplen este requisito?
Sea X el espesor de una de esas lminas. X es una variable
N(60, 2). Nos piden P[57 X 65].
X N(60, 2). Queremos calcular P[57 X 65].
Si tenemos a mano una aplicacin de clculo o una calculadora
programable:
P[57 X 65] = F
X
(65) F
X
(57) y basta realizar este
clculo con la herramienta correspondiente. Por ejemplo:
en R escribiramos pnorm(65,60,2)-pnorm(57,60,2)
en Octave o Matlab,
normcdf(65,60,2)-normcdf(57,60,2)
en Excel, =DISTR.NORM(65;60;2;VERDADERO)-
DISTR.NORM(57;60;2;VERDADERO)
El resultado es aprox. 0927 o, en porcentaje, 927 % de las
lminas que cumplen el requisito.
X N(60, 2). Queremos calcular P[57 X 65].
Si tenemos que hacerlo consultando la tabla: lo primero es
estandarizar ya que las tablas son de la N(0, 1).
P[57 X 65] = P[
5760
2

X60
2

6560
2
] =P[1
5
Z 2
5] donde Z es una normal estndar.

P[1
5 Z 2
5] = F
Z
(2
5) F
Z
(1
5) =
F
Z
(2
5) (1 F
Z
(1
5)) = 0
9938 (1 0
9332) = 0
927
El espesor de un tipo de lmina metlica fabricada por
determinada compaa sigue una distribucin normal con
media 60 y desviacin tpica 2 (medidas en micras).
(b) Calcular el espesor c que superan el 90 % de las lminas.
X N(60, 2). Queremos calcular c tal que P[X > c] = 0
9, es
decir, P[X c] = 0
1. c es el cuantil 0
1 de una N(60, 2).

Se puede calcular directamente con una herramienta de
clculo. En R sera qnorm(0.1,60,2)
El resultado es 57
437 micras.
Cuantil 01 de una N(60,2) usando las tablas.
De nuevo tenemos que estandarizar:
P[X c] = 0
1
P[
X60
2

c60
2
] = 0
1 P[Z
c60
2
] = 0
1 donde Z es una
normal estndar. Entonces
c60
2
es el cuantil 01 de N(0,1).
Este nmero es el opuesto del cuantil 09 de N(0,1):
-4 -2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
-z
0.1
-4 -2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
z
0.1
es decir (tablas)
c60
2
= 1
2816. De aqu c = 57
437.
La distribucin normal es una especie de "lmite universal":
hay muchas distribuciones que, para ciertos valores de sus
parmetros, se pueden aproximar por una variable normal.
El resultado ms general que describe cundo ocurre esto se
llama Teorema Central del Lmite, pero antes de enunciarlo
vamos a ver algunos casos particulares de inters.
Aproximacin de la Poisson a la normal:
Si es sucientemente grande, la variable Pois() se puede
aproximar por una variable normal.
0 2 4 6 8 10
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
Pois(1)
0 2 4 6 8 10
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
Pois(3)
0 2 4 6 8 10
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
Pois(5)
0 5 10 15 20
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
Pois(10)
Criterio: Si > 5 aproximaremos la distribucin Pois() por
una normal con la misma media y desviacin tpica, es decir,
una N(,
).
0 2 4 6 8 10
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
Pois(1)
N(1, 1)
0 2 4 6 8 10
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
Pois(3)
N(3, 3)
0 2 4 6 8 10
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
Pois(5)
N(5, 5)
0 5 10 15 20
0
.
0
0
0
.
0
4
0
.
0
8
0
.
1
2
Pois(10)
N(10, 10)
Si > 5 aproximaremos la distribucin Pois() por una
N(,
).
0 5 10 15 20
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
seq(-1, 21, 0.1)
d
n
o
r
m
(
s
e
q
(
-
1
,

2
1
,

0
.
1
)
,

1
0
,

s
q
r
t
(
1
0
)
)
Pois(10)
N(10, 10)
Cuando utilizamos una distribucin continua para aproximar
una discreta, como en este caso, tenemos que aplicar una
correccin por continuidad.
Sea X la variable Pois() que aproximamos por la
correspondiente N(,
), que llamaremos

X.
Para cada valor x = 0, 1, 2, 3, se aproxima P[X = x] por
P[x 0
5

X x + 0
5]. Por ejemplo,

P[X = 5] P[4
5

X 5
5]
0 5 10 15 20
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
seq(-1, 21, 0.1)
d
n
o
r
m
(
s
e
q
(
-
1
,

2
1
,

0
.
1
)
,

1
0
,

s
q
r
t
(
1
0
)
)
Pois(10)
N(10, 10)
3.5 4.0 4.5 5.0 5.5 6.0 6.5
0
.
0
2
0
.
0
3
0
.
0
4
0
.
0
5
0
.
0
6
0
.
0
7
seq(3.5, 6.5, 0.01)
d
n
o
r
m
(
s
e
q
(
3
.
5
,

6
.
5
,

0
.
0
1
)
,

1
0
,

s
q
r
t
(
1
0
)
)
3.5 4.0 4.5 5.0 5.5 6.0 6.5
0
.
0
2
0
.
0
3
0
.
0
4
0
.
0
5
0
.
0
6
0
.
0
7
seq(3.5, 6.5, 0.01)
d
n
o
r
m
(
s
e
q
(
3
.
5
,

6
.
5
,

0
.
0
1
)
,

1
0
,

s
q
r
t
(
1
0
)
)
La probabilidad que queremos aproximar es la longitud de la
barra azul, que coincide con el rea rayada en rojo (ya que es
un rectngulo de base 1).
La aproximamos por el rea sombreada en gris, bajo la curva
normal.
Por ejemplo: Calcular la probabilidad de [3 X 6] siendo X
una Poisson(10).
0 5 10 15 20
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
seq(-1, 21, 0.1)
d
n
o
r
m
(
s
e
q
(
-
1
,

2
1
,

0
.
1
)
,

1
0
,

s
q
r
t
(
1
0
)
)
Pois(10)
N(10, 10)
La podemos aproximar por P[2
5

X 6
5] siendo
X N(10,
10). Esta probabilidad es 0
1253.
(El verdadero valor es 0
1274.)
Aproximacin de la binomial por la normal:
La binomial (n, p) se puede aproximar por una normal si n es
grande, pero teniendo en cuenta el valor de p (cuanto ms
cerca est p de 0
5, menos tendr que crecer n para que la

aproximacin sea vlida).
Criterio que aplicaremos: Si np > 5 y n(1 p) > 5,
aproximaremos una Bin(n, p) por una normal con la misma
media y la misma desviacin tpica, es decir, una
N(np,
np(1 p)).
De todas estas binomiales aceptaramos la aproximacin en
Bin(15, 0
4) y Bin(20, 0
4) porque n p > 5, n (1 p) > 5.

Adems tendremos que hacer la correccin por continuidad
(estamos aproximando una variable discreta por una continua).
Teorema Central del Lmite
En muchos modelos intervienen variables aleatorias que se
pueden expresar como suma de muchas copias independientes
de la misma variable. Por ejemplo,
si B es el benecio obtenido en la venta de una unidad de
cierto producto, el benecio obtenido en la venta de 1000 de
ellos es B
1
+ B
2
+... + B
1000
donde los B
i
son copias
independientes de B.
si N es el nmero de personas que acuden a una esta con una
invitacin, y se han repartido 300 invitaciones, el nmero total
de asistentes a la esta es N
1
+ N
2
+... + N
300
donde los N
i
son copias independientes de N.
si Y es una binomial (n, p), Y = B
1
+... + B
n
donde los B
i
son copias independientes de una Bernoulli(p).
Lo que dice el Teorema Central del Lmite es que todas estas
variables acaban parecindose a una normal, si el nmero de
sumandos es sucientemente grande.
Sean X
1
, X
2
, ...X
n
copias independientes de la variable
aleatoria X. Entonces Y = X
1
+ X
2
+... + X
n
es
"aproximadamente" normal si n es "sucientemente" grande.
En ese caso se aproxima Y por una variable normal

Y con la
misma media y desviacin tpica que Y, es decir, una variable
N(nE(X),
n
X
).
(Ya que E(Y) = E(X
1
+ X
2
+... + X
n
) =
E(X
1
) + E(X
2
) +... + E(X
n
) = nE(X);
VarY = Var(X
1
+ X
2
+... + X
n
) =
VarX
1
+ VarX
2
+... + VarX
n
= nVarX y en particular
Y
=
n
X
.)
Ejemplo: El coste de fabricacin de cada unidad de un
instrumento electrnico es de 12 euros. El fabricante vende
cada instrumento por 30 euros, pero garantiza un reembolso
total si la unidad se estropea antes de cierto perodo de
garanta, cosa que ocurre el 5 % de las veces. Cul es la
probabilidad de que obtenga una ganancia mayor o igual que
16200 euros con la venta de 1000 unidades independientes?
Denimos la variable B, "benecio obtenido en la venta de
una unidad". Entonces R
B
= {12, 18} con
P[B = 12] = 0
05, P[B = 18] = 0
95.
El benecio obtenido en la venta de 1000 unidades es
Y = B
1
+ B
2
+ + B
1000
donde B
i
son copias
independientes de B.Queremos calcular P[Y > 16200].
R
B
= {12, 18} con P[B = 12] = 0
05, P[B = 18] = 0
95.
Calcular P[Y 16200], donde Y = B
1
+ B
2
+ + B
1000
y
las B
i
son copias independientes de B.
Es fcil ver que E(B) = 16
5 y
B
=
42
75 euros.
Por tanto aproximamos Y por una variable normal

Y de media
1000E(B) = 16500 y desviacin tpica

1000
42
75.
P[Y 16200] P[

Y 16200] = 0
9266.
Habra que hacer una correccin por continuidad pero en este
caso es ms difcil de plantear y la ignoramos. En cualquier
caso el resultado es aproximado.

Present Tema 5

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Present Tema 5

Cargado por

Copyright:

Formatos disponibles

Principales distribuciones discretas

Principales distribuciones continuas

asocia al xito el nmero 1 y al fracaso el nmero 0, es decir,

05; se suele escribir

En un proceso de Poisson de parmetro , el nmero de veces

33] siendo Z N(0, 1).

52] siendo Z N(0, 1).

52] que ya podemos

95 de la normal estndar, es decir, calcular

95 de la normal estndar, es decir, calcular

95 de la normal estndar, es decir, calcular

5] donde Z es una normal estndar.

1 de una N(60, 2).

5]. Por ejemplo,

10). Esta probabilidad es 0

5, menos tendr que crecer n para que la

4) porque n p > 5, n (1 p) > 5.

05, P[B = 18] = 0

05, P[B = 18] = 0

También podría gustarte