Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de Ingeniería
Departamento de Ingeniería Industrial
Probabilidad y Estadística I
Sesión # 17
Suma de variables aleatorias independientes
Teorema del Límite Central
1
Población
Conjunto (personas, cosas u objetos abstractos) del cual se quiere estudiar ciertas
propiedades características de los elementos que lo conforman. Dichas propiedades se
expresan a través de variables que denotaremos por X, Y y Z, por ejemplo.
Muestra Aleatoria
Una vez tomada la muestra aleatoria, ésta consistirá en n valores: x1, x2, …, xn.
2
3
Parámetros:
Media (μ)
Datos
Varianza(σ2)
(Población de Interés) Desv. Est. (σ)
Etc.
Inferencias
Muestreo
Estadísticos:
Promedio (𝑋)
Muestras
Varianza muestral (S2)
Desv. Est. Muestral (S)
Etc.
4
Estadísticas Básicas de la Muestra Aleatoria
𝑛
1=1 𝑥𝑖
Media Muestral: 𝑋 = POBLACIÓN
𝑛
X
Muestra
Aleatoria
1 𝑛 𝑿 𝟏 , 𝑿𝟐 , … 𝑿𝒏
Varianza Muestral: 𝑆 2 = 𝑖=1 𝑥𝑖 − 𝑋 2
𝑛−1
5
SUMA DE VARIABLES ALEATORIAS INDEPENDIENTES
Propiedad General de la FGM
Demostración:
𝜎2 𝑡 2
𝜇𝑡+
𝑀𝑋 𝑡 = 𝑒 2
𝐸 𝑋 =𝜇 𝑉𝑎𝑟 𝑋 = 𝜎 2
Propiedad 3:
𝑌~𝑁 𝑎𝜇 + 𝑏, 𝑎2 𝜎 2
7
DISTRIBUCIÓN NORMAL - PROPIEDADES BÁSICAS
Propiedad 4: Si se tiene una colección de n variables aleatorias NORMALES
INDEPENDIENTES, 𝑋1 , 𝑋2 , … 𝑋𝑛 , con 𝑋𝑖 ~𝑁 𝜇𝑖 , 𝜎𝑖2 , entonces la variable aleatoria
𝑊 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 = 𝑛𝑖=1 𝑋𝑖 tiene distribución 𝑊~𝑁 𝜇𝑖 , 𝜎𝑖2 .
Demostración:
8
DISTRIBUCIÓN NORMAL - PROPIEDADES BÁSICAS
Propiedad 5: A partir de la propiedad anterior, se pueden obtener las siguientes
propiedades adicionales:
i. 𝑋1 + 𝑋2 ~𝑁 𝜇1 + 𝜇2 , 𝜎12 + 𝜎22
𝑋𝑖 𝜎2
iii. 𝑋 = 𝑛
~𝑁 𝜇, 𝑛
Demostración:
𝑋𝑖 1 1 𝑛𝜇
𝐸 𝑋 =𝐸 = 𝐸 𝑋𝑖 = 𝐸 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 = =𝜇
𝑛 𝑛 𝑛 𝑛
𝑋𝑖 1 1 𝑛𝜎 2 𝜎 2
𝑉𝑎𝑟 𝑋 = 𝑉𝑎𝑟 = 2 𝑉𝑎𝑟 𝑋𝑖 = 2 𝑉𝑎𝑟 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 = 2 =9
𝑛 𝑛 𝑛 𝑛 𝑛
DISTRIBUCIÓN NORMAL - PROPIEDADES BÁSICAS
Propiedad 6 (Teorema del Límite Central): Sean 𝑋1 , 𝑋2 , … , 𝑋𝑛 una colección de n
variables aleatorias INDEPENDIENTES e IDENTICAMENTE DISTRIBUIDAS (iid),
con 𝐸 𝑋𝑖 = 𝜇 y 𝑉𝑎𝑟 𝑋𝑖 = 𝜎 2 .
𝑋𝑖 −𝑛𝜇
i. 𝑋𝑖 ~𝑁 𝑛𝜇, 𝑛𝜎 2 ⇒ ~𝑁(0,1)
𝜎 𝑛
𝑋𝑖 𝜎2 𝑋−𝜇
ii. 𝑋 = 𝑛
~𝑁 𝜇,
𝑛
⇒
𝜎/ 𝑛
~𝑁(0,1)
10
Ejemplo Banco de la Esperanza
La captación diaria, en millones de pesos ($M), de las sucursales del Banco la
Esperanza, se puede representar como una VA X del tipo N(250, 400).
11
Ejemplo Banco de la Esperanza
La captación diaria, en millones de pesos ($M), de las sucursales del Banco la Esperanza,
se puede representar como una VA X del tipo N(250, 400).
220−250
𝑃 𝑋 ≤ 220 = 𝑃 𝑍 ≤ = 𝑃 𝑍 ≤ −1.5 = 1 − 𝑃 𝑍 ≤ 1.5 = 0.0668
400 12
Ejemplo Banco de la Esperanza
La captación diaria, en millones de pesos ($M), de las sucursales del Banco la Esperanza,
se puede representar como una VA X del tipo N(250, 400).
b. ¿Cuál es la probabilidad de que su captación diaria esté entre 230 $M y 270 $M?
230−250 270−250
𝑃 230 ≤ 𝑋 ≤ 270 = 𝑃 ≤𝑍≤ = 𝑃 −1 ≤ 𝑍 ≤ 1 = 0.6826
400 400
13
Ejemplo Banco de la Esperanza
La captación diaria, en millones de pesos ($M), de las sucursales del Banco la Esperanza,
se puede representar como una VA X del tipo N(250, 400).
400
𝑋~𝑁 𝜇 = 250, 𝜎 2 = 400 => 𝑋~𝑁 𝜇 = 250, 𝜎 2 =
20
230−250 270−250
𝑃 230 ≤ 𝑋 ≤ 270 = 𝑃 ≤𝑍≤ = 𝑃 −4.47 ≤ 𝑍 ≤ 4.47 = 1
400/20 400/20
14
Ejemplo Banco de la Esperanza
La captación diaria, en millones de pesos ($M), de las sucursales del Banco la Esperanza,
se puede representar como una VA X del tipo N(250, 400).
d. Ahora suponga que sólo sabemos de la VA X que su media es de 250 y su varianza es 400.
Se toma una MA de 50 sucursales, ¿cuál es la probabilidad de que la captación diaria total
sea superior a 12400 $M ?
50
𝑖=1 𝑋𝑖 : Captación diaria total de las 50 sucursales.
50
𝑖=1 𝑋𝑖 ~𝑁(50 ∗ 250,50 ∗ 400)
50 50
12400 − 12500
𝑃 𝑋𝑖 > 12400 = 1 − 𝑃 𝑋𝑖 ≤ 12400 = 1 − 𝑃 𝑍 ≤ = 1 − 𝑃(𝑍 ≤ −0.707)
𝑖=1 𝑖=1
20000
50
Demostración:
𝑁𝑖
𝑀𝑋𝑖 (𝑡) = 𝑝𝑒 𝑡 + 𝑞
𝑁1 𝑁2 𝑁𝑛
𝑀𝑊 𝑡 = 𝑝𝑒 𝑡 + 𝑞 ∗ [ 𝑝𝑒 𝑡 + 𝑞 ] ∗ ⋯ ∗ [ 𝑝𝑒 𝑡 + 𝑞 ]
𝑁1 +𝑁2 +⋯+𝑁𝑛
𝑀𝑊 𝑡 = 𝑝𝑒 𝑡 + 𝑞
16
SUMA DE VARIABLES ALEATORIAS
DE POISSON INDEPENDIENTES
Demostración:
𝑡 −1)
𝑀𝑋𝑖 (𝑡) = 𝑒 𝜆𝑖 (𝑒
𝑡 −1)
𝑀𝑊 𝑡 = 𝑒 (𝜆1+𝜆2+⋯+𝜆𝑛)(𝑒
17
SUMA DE VARIABLES ALEATORIAS
18
EJERCICIOS
Ejercicio 1
19
EJERCICIOS
Ejercicio 2
20
DISTRIBUCIÓN NORMAL ESTÁNDAR
Probabilidad acumulada
hasta el punto z.
𝐹𝑍 𝑧 = 𝑃(𝑍 ≤ 𝑧)
𝑃 𝑍 ≤ −𝑧 = 1 − 𝑃(𝑍 ≤ 𝑧)
21