Documentos de Académico
Documentos de Profesional
Documentos de Cultura
06.3 - Aproximacion de Binomial y Poisson Por Normal PDF
06.3 - Aproximacion de Binomial y Poisson Por Normal PDF
En el grfico vemos una variable binomial(n = 100 ; p = 0,5) junto con una variable normal( = 50 ; = 5).
Esta propiedad nos permite utilizar una variable normal estndar, que se encuentra
tabulada, para ahorrarnos la engorrosa tarea de sumar una cantidad elevada de
trminos de probabilidades binomiales, especialmente cuando n es muy grande y la
cantidad de xitos est lejos de 0 y lejos de n, con lo cual la sumatoria tiene muchos
trminos aunque se intente restar del 1 en vez de sumar.
Queda por hacer una observacin antes de poder utilizar esta propiedad. Al estar
aproximando una distribucin discreta por una continua, lo que se hace es tomar
intervalos de la continua, que representan los valores puntuales de la discreta. Por
ejemplo, consideraremos que la discreta vale 43, si la continua tiene cualquier valor
entre 42,5 y 43,5. Entonces la probabilidad de que la discreta est entre 8 y 12 no es
la probabilidad de que la continua est entre 8 y 12 sino de que est entre 7,5 y
12,5. Considerar esto se conoce como "correccin por continuidad".
Ejemplo:
Se tiene una variable aleatoria X:Bi(n = 50 ; p = 0,4). Cul es la probabilidad de
que X sea menor a 20?
n
P ( X < 20) = P ( X = x) = p x (1 p ) n x
19 19
x =0 x =0 x
Podramos hacer . Esto
demandara sumar 20 trminos, y arroja el resultado 0,44648
Sin embargo, y a menos que se necesite el resultado exacto, podemos usar la
aproximacin normal para resolver el problema. Estamos buscando P(X < 20), lo
cual es igual a:
P(0 X 19)
Hacemos la correccin por continuidad:
P(0 X 19) P(-0,5 X 19,5)
Tomamos el cambio de variables:
X np
Y=
n p (1 p )
con lo cual Y tendr una distribucin aproximadamente normal estndar.
Dejamos X en funcin de Y:
X = n p (1 p) Y + np
Luego reemplazamos X por su definicin en trminos de Y en la probabilidad que
estbamos buscando:
0,5 np 19,5 np
P ( 0,5 X 19,5) = P Y = P ( 5,92 Y 0,14 )
n p (1 p ) n p (1 p )
Lo cual, por propiedades de la funcin de distribucin acumulada queda:
P(-5,92 Y -0,14) = F Y(-0,14) - F Y(-5,92)
Como estamos considerando a Y una normal estndar, entonces:
F Y(-0,14) - F Y(-5,92) = (-0,14) - (-5,92) = (1 - (0,14)) - (1 - (5,92))
= (5,92) - (0,14) = 1 - 0,55567 = 0,44433
Observemos que el resultado aproximado 0,44433 es prcticamente igual al
resultado exacto 0,44648.
Demostracin
Se provee esta demostracin porque constituye un buen ejemplo de aplicacin del
teorema central del lmite.
Si X es la cantidad de xitos en una muestra en n experimentos de Bernoulli,
entonces X es una variable aleatoria cuya distribucin se conoce como binomial.
Toda variable binomial es en esencia la suma de n variables de Bernoulli (unos y
ceros). Como vimos para la distribucin binomial:
E(X) = n.p
x2 = n.p.(1-p)
Tambin vimos que, por el teorema central del lmite, para n lo suficientemente
grande, la suma de n variables tiene aproximadamente una distribucin normal, con
determinadas media y varianza. Particularmente cuando X es binomial, si
np 5 y n (1 p ) 5
(lo cual tambin garantiza que p est lo suficientemente
alejada de 0 y 1 para que no se "aplaste") entonces su ditribucin se puede
n.p.(1 p)
X : N (n.p ; n.p.(1 p) )
aproximar por una normal, con media n.p y desvo . Queda:
(aproximadamente).
X np
Y=
n p (1 p)
Luego, tomando el cambio de variables , Y tiene una distribucin
aproximadamente normal estndar.
Esta propiedad nos permite utilizar una variable normal estndar, que se encuentra
tabulada, para ahorrarnos la engorrosa tarea de sumar una cantidad elevada de
trminos de probabilidades de Poisson al calcular probabilidades acumuladas,
especialmente cuando necesitamos calcular la probabilidad acumulada para un valor
que est lejos del cero.
Queda por hacer una observacin antes de poder utilizar esta propiedad. Al estar
aproximando una distribucin discreta por una continua, lo que se hace es tomar
intervalos de la continua, que representan los valores puntuales de la discreta. Por
ejemplo, consideraremos que la discreta vale 43, si la continua tiene cualquier valor
entre 42,5 y 43,5. Entonces la probabilidad de que la discreta est entre 8 y 12 no es
la probabilidad de que la continua est entre 8 y 12 sino de que est entre 7,5 y
12,5. Considerar esto se conoce como "correccin por continuidad".
Ejemplo:
Se tiene una variable aleatoria X:Pois( = 60). Cul es la probabilidad de que X sea
menor a 70?
e x
P( X < 70) = P( X = x) =
69 69
x =0 x =0 x!
Podramos hacer . Esto demandara
sumar 70 trminos, y arroja el resultado 0,88821.
Sin embargo, y a menos que se necesite el resultado exacto, podemos usar la
aproximacin normal para resolver el problema. Estamos buscando P(X < 70), lo
cual es igual a:
P(0 X 69)
Hacemos la correccin por continuidad:
P(0 X 69) P(-0,5 X 69,5)
Tomamos el cambio de variables:
X
Y =
con lo cual Y tendr una distribucin aproximadamente normal estndar.
Dejamos X en funcin de Y:
X = Y +
Luego reemplazamos X por su definicin en trminos de Y en la probabilidad que
estbamos buscando:
0,5 69,5
P ( 0,5 X 69,5) = P Y = ( )
P 7,81 Y 1,23
Lo cual, por propiedades de la funcin de distribucin acumulada queda:
P(-7.81 Y 1,23) = F Y(1,23) - F Y(-7,81)
Como estamos considerando a Y una normal estndar, entonces:
F Y(1,23) - F Y(-7,81) = (1,23) - (-7,81) = (1,23) - (1 - (7,81))
= (1,23) + (7,81) - 1 = 0,89065 + 1 - 1 = 0,89065
Observemos que el resultado aproximado 0,89065 es prcticamente igual al
resultado exacto 0,88821.
Problemas tpicos
Deben considerarse modelos de problemas tpicos los dos ejemplos dados en esta
seccin.