SUMA DE VARIABLES ALEATORIAS

Trabajo Integrador Unidad 6

Alumna: - Quinteros, Yuliana Mariana……………………………...M.U Nº:

02299
Docente Adjunta: - Lic. Vanessa Edith Figueroa
Jefe de Trabajo Practico: - Prof. Eimi Reartes
Carrera: - Profesorado en Matemática
Catedra: - Probabilidad

Año: 2023
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Conceptos Iniciales

El teorema central del límite es el concepto más importante en el desarrollo de la

estadística, porque nos permite estimar las características de toda una población así
tenga una distribución atípica utilizando para ello solo el conjunto de datos que
proviene de una muestra.

Vamos a empezar a definir cuatro conceptos simples que vamos a necesitar para
poder comprender y avanzar

Población: son todos los posibles elementos en un conjunto de datos determinados.

Muestra: Una “muestra” no es otra cosa que un subconjunto de toda la población

Distribución de probabilidad: Es una forma de describir el comportamiento de una

variable dentro de un intervalo de valores o de posibles resultados.

Distribución Normal o de Gauss: Decimos que una distribución de probabilidad tiene

distribución normal cuando su forma se parece a una campana, la distribución es
perfectamente simétrica alrededor de la media.

¿Para que se utiliza la distribución normal?

La distribución normal sirve para conocer la probabilidad de encontrar un valor de

la variable que sea igual o inferior a un cierto valor, conociendo la media, la
desviación estándar, y la varianza de un conjunto de datos en sustituyéndolos en la
función que describe el modelo.

1
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Teorema central de Limite

Concepto: El teorema central del límite (TCL) es una teoría estadística que establece
que, dada una muestra aleatoria suficientemente grande de la población, la
distribución de las medias muestrales seguirá una distribución normal.
Definición: Si X 1 ; X 2 ; … ; X n son variables aleatorias (discretas y continuas)
independientes, con idéntico modelo de probabilidad, de valor medio μ y varianza σ 2,
entonces la distribución de la variable
n

( X 1 + X 2 +…+ X n )−nμ ∑ i X −nμ

i=1
Z n= =
σ √n σ √n
Se aproxima a la de una normal estandarizada N (0 ; 1), mejorándose la calidad de la
aproximación a medida que n aumenta.
n

Entonces nlim P ( Z n ≤ z ) =Φ( z ), esto es ∑ X i−nμ 1

x −x
2

→∞ lim P(
n→∞
i=1

σ √n
≤ z)= ∫e
√ 2 π −∞
2

Este resultado prueba que el estadístico o estimador media muestral

n
Xi
X =∑
i=1 n
Se distribuye aproximadamente como una variable

(
N μ;
σ
√n )
O de manera equivalente, que
X−μ
σ /√ n
Se distribuye aproximadamente como una variable N ( 0 ; 1 )
Observaciones:
n
Teniendo en cuenta que Sn=∑ X i Notar que:
i=1

n
 E ( Sn ) =∑ E ( X i ) =nμ
i=1

( )
n n
 V ( S n ) =V ∑ X i =∑ V (X i )=n σ 2
i=1 i =1

2
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Por lo tanto
∑ X i−nμ es la V.A Sn estandarizada
Z n= i=1
σ √n
Propiedades:
El teorema del límite central garantiza una distribución aproximadamente
normal cuando 𝑛 es suficientemente grande. Si n>30 , Se puede usar el TLC
Existen diferentes versiones del teorema, en función de las condiciones
utilizadas para asegurar la convergencia. Una de las más simples establece
que es suficiente que las variables que se suman sean independientes,
idénticamente distribuidas, con valor esperado y varianza finitas
La aproximación entre las dos distribuciones es, en general, mayor en el centro
de las mismas que en sus extremos o colas, motivo por el cual se prefiere el
nombre "teorema del límite central" ("central" califica al límite, más que al
teorema).
Este teorema, perteneciente a la teoría de la probabilidad, encuentra aplicación
en muchos campos relacionados, tales como la inferencia estadística o la
teoría de renovación.
Aún si NO conocemos la forma de la distribución de la población de donde
provienen nuestros datos, según el teorema de límite central podemos tratar la
distribución de las muestras de cualquier población como normalmente
distribuidas.
Si la distribución madre es normal, la distribución de la media muestral también
es normal, independientemente del tamaño.

Ley de los grandes números y teorema central del límite

La ley de los grandes números y el teorema central del límite son dos reglas
fundamentales de probabilidad y estadística que están estrechamente relacionadas,
por lo que en este apartado veremos cuál es su relación y cuál es su diferencia.
El teorema central del límite, también llamado teorema del límite central, dice que
la distribución de las medias muestrales se aproxima a una distribución normal a
medida que aumenta el tamaño de la muestra, independientemente de la distribución
de probabilidad de la población.
La diferencia entre la ley de los grandes números y el teorema central del
límite es que la ley de los grandes números dice que la media de un gran número de

3
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

ensayos se acerca a su valor esperado, pero el teorema central del límite dice que las
medias de un gran número de muestras se aproximan a una distribución normal.

Ejemplos del teorema del límite central

Ley de los grandes números
La ley de los grandes números dice que, si se toman muestras cada vez más
grandes de cualquier población, entonces la media de la distribución muestral, μ x
tiende a acercarse cada vez más a la verdadera media de la población, μ. A partir del
teorema del límite central, sabemos que a medida que n se hace más grande, las
medias muestrales siguen una distribución normal. Cuanto mayor sea n , menor será la
desviación típica de la distribución muestral. (Recuerde que la desviación típica de la
σ
distribución muestral de X es ). Esto significa que la media muestral X debe estar
√n
más cerca de la media poblacional μ a medida quen aumenta. Podemos decir que μ
es el valor al que se acercan las medias muestrales a medida que n es mayor. El
teorema del límite central ilustra la ley de los grandes números.
Este concepto es tan importante y desempeña un papel tan decisivo en lo que sigue
que merece un mayor desarrollo. De hecho, hay dos cuestiones críticas que se derivan
del teorema del límite central y de la aplicación de la ley de los grandes números a
este. Estos son

1. La función de densidad de probabilidad de la distribución muestral de las

medias se distribuye normalmente independientemente de la distribución
subyacente de las observaciones de la población y
2. la desviación típica de la distribución muestral disminuye a medida que
aumenta el tamaño de las muestras que se utilizaron para calcular las medias
de la distribución muestral.

Tomando estos en orden. Parece contradictorio que la población pueda

tener cualquier distribución y que la distribución de las medias procedentes de ella se
distribuya normalmente. Con el uso de computadoras, se pueden simular
experimentos que muestren el proceso por el cual la distribución de muestreo cambia
a medida que aumenta el tamaño de la muestra. Estas simulaciones muestran
visualmente los resultados de la demostración matemática del teorema del límite
central.

4
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

He aquí tres ejemplos de distribuciones poblacionales muy diferentes y la evolución de

la distribución muestral hacia una distribución normal a medida que aumenta el
tamaño de la muestra. El panel superior en estos casos representa el histograma de
los datos originales. Los tres paneles muestran los histogramas de 1000 muestras
extraídas al azar para diferentes tamaños de muestra: n=10, n= 25 y n=50. A medida
que aumenta el tamaño de la muestra, y el número de muestras tomadas se mantiene
constante, la distribución de las medias de 1000 muestras se acerca más a la línea
suave que representa la distribución normal.

La Figura A es para una distribución normal de las observaciones individuales y

esperaríamos que la distribución de muestreo convergiera en la normal rápidamente.
Los resultados lo demuestran y muestran que, incluso con un tamaño de muestra muy
pequeño, la distribución se aproxima a la distribución normal.

Figura A

5
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

La Figura B es una distribución uniforme que, de forma un poco sorprendente, se

acerca rápidamente a la distribución normal incluso con solo una muestra de 10.

6
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Figura B

La Figura C es una distribución sesgada. Esta última podría ser una exponencial,
geométrica o binomial con una pequeña probabilidad de éxito creando el sesgo en la
distribución. En el caso de las distribuciones asimétricas, nuestra intuición nos dice
que se necesitarán tamaños de muestra mayores para pasar a una distribución normal
y de hecho, eso es lo que observamos en la simulación. Sin embargo, con un tamaño
de muestra de 50, que no se considera muy grande, la distribución de las medias
muestrales ha adquirido muy decididamente la forma de la distribución normal.

7
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Figura C

El teorema del límite central proporciona algo más que la prueba de que la distribución
muestral de las medias se distribuye normalmente. También nos proporciona la media
y la desviación típica de esta distribución. Además, como se ha comentado
anteriormente, el valor esperado de la media, μ x, es igual a la media de la población de
los datos originales que es lo que nos interesa estimar a partir de la muestra que
tomamos. Ya hemos insertado esta conclusión del teorema del límite central en la
fórmula que utilizamos para estandarizar desde la distribución muestral a la
distribución normal estándar. Y, por último, el teorema del límite central también ha

8
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

σ
proporcionado la desviación típica de la distribución muestral, σ x = , y esto es crítico
√n
para poder calcular las probabilidades de los valores de la nueva variable aleatoria, X
La Figura D muestra una distribución de muestreo. La media se ha marcado en el eje
horizontal de las X y la desviación típica se ha escrito a la derecha sobre la
distribución. Observe que la desviación típica de la distribución muestral es la
desviación típica original de la población, dividida entre el tamaño de la muestra. Ya
hemos visto que, a medida que aumenta el tamaño de la muestra, la distribución
muestral se acerca cada vez más a la distribución normal. Como esto ocurre, la
desviación típica de la distribución muestral cambia de otra manera; la desviación
típica disminuye a medida que n aumenta. Cuando n es muy grande, la desviación
típica de la distribución muestral se hace muy pequeña y en el infinito colapsa sobre la
media de la población. Esto es lo que significa que el valor esperado de μ x es la media
de la población, μ.

Figura D

En valores no extremos de n, esta relación entre la desviación típica de la distribución

muestral y el tamaño de la muestra desempeña un papel muy importante en nuestra
capacidad para estimar los parámetros que nos interesan.

La Figura E muestra tres distribuciones de muestreo. El único cambio que se ha

realizado es el tamaño de la muestra que se utilizó para obtener las medias
muestrales de cada distribución. A medida que aumenta el tamaño de la muestra, n
pasa de 10 a 30 a 50, las desviaciones típicas de las respectivas distribuciones
muestrales disminuyen porque el tamaño de la muestra está en el denominador de las
desviaciones típicas de las distribuciones muestrales.

9
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Figura E

Las implicaciones de esto son muy importantes. La Figura F muestra el efecto del
tamaño de la muestra en la confianza que tendremos en nuestras estimaciones. Se
trata de dos distribuciones muestrales de la misma población. Una distribución de
muestreo se creó con muestras de tamaño 10 y la otra con muestras de tamaño 50. Si
todo lo demás es constante, la distribución de muestreo con un tamaño de muestra de
50 tiene una desviación típica menor que hace que el gráfico sea más alto y estrecho.
El efecto importante de esto es que, para la misma probabilidad de una desviación
típica de la media, esta distribución cubre mucho menos rango de valores posibles que
la otra distribución. Una desviación típica está marcada en el eje X para cada
distribución. Esto se muestra con las dos flechas que son más o menos una
desviación típica para cada distribución. Si la probabilidad de que la verdadera media
esté a una desviación típica de la media, entonces para la distribución de muestreo
con el tamaño de muestra más pequeño, el rango posible de valores es mucho mayor.
Una pregunta sencilla es: ¿preferiría tener una media muestral de la distribución
estrecha y ajustada o de la distribución plana y amplia como estimación de la media de
la población? Su respuesta nos dice por qué la gente intuitivamente siempre elegirá
datos de una muestra grande en lugar de una muestra pequeña. La media muestral
que obtienen procede de una distribución más compacta. Este concepto será la base
de lo que se llamará nivel de confianza en la siguiente unidad.

10
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Figura F

11
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Ley de los grandes Números

Introducción:
Muchos problemas de probabilidad, podemos determinar la probabilidad de cada uno
de los sucesos aleatorios que lo componen utilizando la Ley de Laplace:
Numeros de casos favorables
P ( A )=
Numeros de casos posibles
Pero ¿qué ocurre si no sabemos los casos posibles? ¿O los casos favorables? Por
ejemplo, sacar bolas de colores de una caja opaca, de la que desconocemos su
contenido. No sabemos cuantas bolas hay, ni de que colores. ¿Qué ocurre con un
dado de seis caras? En teoría la probabilidad para cada cara es 1/6. Pero ¿y si está
trucado? ¿Cómo lo podemos saber? En el caso de una ruleta, todos los números
tienen la misma probabilidad, ¿pero y si está mal fabricada o peor aún trucada y todos
los números no son equiprobables? ¿Cómo puede una fábrica determinar el número
de artículos defectuosos que fabrica? La Ley de los Grandes Números es una gran
ayuda para contestar a estas preguntas.
¿Qué es la Ley de los Grandes Números?
¿No os ha pasado nunca que cuando lanzamos una moneda nos salen muchas caras
seguidas y la cruz sale con menos frecuencia o viceversa? ¿En el parchís esperas
para sacar un cinco para sacar ficha y no sale hasta después de muchos lanzamientos
del dado? Bueno estas cosas pasan a veces. Podemos llegar a pensar que la moneda
o el dado están trucados o mal fabricados. En realidad, eso es normal y lo explica la
Ley de los Grandes Números. La Ley de los Grandes Números nos dice que, si no
conocemos la probabilidad de un suceso en un experimento aleatorio, debemos hacer
tantas veces el experimento que, al hacer un estudio estadístico de los resultados, la
frecuencia relativa de cada suceso llega un momento que se estabiliza. En ese
momento diremos que la probabilidad del suceso coincide con su frecuencia relativa.

Ley de los grandes números:

12
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Definición: La ley de los grandes números es un teorema fundamental de la teoría de

la probabilidad que indica que si repetimos muchas veces (tendiendo al infinito) un
mismo experimento, la frecuencia de que suceda un cierto evento tiende a ser una
constante.

Ejemplo de la ley de los grandes números

Después de ver la definición de la ley de los grandes números, vamos a ver un
ejemplo resuelto para entender mejor su significado. En este caso, analizaremos las
probabilidades de los posibles resultados que podemos obtener al lanzar un dado.
Existen seis posibles resultados del lanzamiento de un dado (1, 2, 3, 4, 5 y 6), por lo
tanto, la probabilidad teórica de cada suceso elemental es:
1
P= =1 , 67
6
Así pues, a continuación, simularemos el lanzamiento muchas veces y anotaremos los
resultados en una tabla de frecuencias para comprobar si se cumple la ley de los
grandes números.
Para que puedas ver la importancia del número de experimentos realizados,
simularemos primero diez lanzamientos, luego cien, y finalmente mil. Así pues, los
resultados obtenidos de la simulación de 10 lanzamientos aleatorios de un dado son
los siguientes:

Como puedes comprobar, las probabilidades frecuenciales obtenidas al simular

solamente diez lanzamientos no se parecen a las probabilidades teóricas.
Pero a medida que aumentamos el número de experimentos estas dos medidas se
parecen más, fíjate en la simulación de 100 lanzamientos:

13
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Ahora la probabilidad frecuencial calculada para cada número del dado es más similar
a su probabilidad teórica, sin embargo, aún obtenemos algunos valores muy distintos.
Por último, hacemos el mismo procedimiento, pero simulando 1000 lanzamientos:

Como se aprecia en la última tabla, ahora los valores de las probabilidades

frecuenciales se acercan mucho a las probabilidades teóricas.
En resumen, a medida aumentamos el número de experimentos realizados, más
próximo será el valor de la probabilidad frecuencial de un suceso a su probabilidad de
ocurrencia teórica. Por lo tanto, se cumple la ley de los números grandes, pues a
medida que hacemos más iteraciones, más se parecen los valores experimentales a
los valores teóricos.
Teorema (1): Ley Débil de los Grandes Números
Sean n variables aleatorias X 1 ; X 2 ; … ; X n independientes e idénticamente distribuidas
entre sí, y con cada una con valor medio μ y varianza σ 2, ambas finitas. Si
n

∑ X 1+ X 2 +…+ X n, ∀ α > 0entonces:

i=1

(| | )
n

∑ Xi
i=1
lim P −μ ≥ α =0
n→∞ n

14
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Demostración:
n
Al ser ∑ X i=Snvariables aleatorias independientes, por propiedad de varianza se
i=1

cumplen:
V ( S n ) =V ( X 2 ) +V ( X 2 ) +…+ V ( X n )
2
V ( S n ) =n σ (A)
Luego,

V ( Sn )= n1 V ( S )
n
2 n
Por Propiedad de la varianza por una constante

V ( )= n σ
S n 1 2
Por (A)
2
n n

V ( )=
S n σ 2

n n
Por teorema de Tchebyshev se tiene

P (| | )
Sn
n
σ2
−μ > α ≤ 2
nα

(| | )
2 Aplicando Limites
Sn σ
lim −μ >α ≤ lim 2
n→∞ n n→ ∞ n α

lim
n→∞ (| | )
Sn
n
−μ >α =0

Sn
Pues que es la media Aritmética de la sucesión X i con i=1 ; 2; … ; n, el teorema
n
establece que la probabilidad de que la misma difiera de su valor esperado tiende a
anularse n → ∞

Los juegos de azar, basan su sistema de ganancias, fundamentalmente en la

estabilidad a largo plazo garantizada por las leyes de la probabilidad. Consideremos el
juego de la ruleta americana. Esta consiste en una rueda en posición horizontal, por
donde puede circular una pequeña bola. La rueda está subdividida en 38 zonas
enumeradas, cada una de las cuales subtiende un ángulo de la misma magnitud. Al
estabilizarse el movimiento de la bola, esta permanece quieta en una de las zonas. En
un juego típico, el jugador paga 1 dólar por apostar la salida de uno de los 38
números. En caso de ganar, se le devuelve el dólar más 35 dólares adicionales. En

15
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

caso de perder, pierde un dólar. Suponiendo que la probabilidad de salida de los

números es uniforme, el valor esperado de la ganancia X del jugador sería.
37 1
E ( X )=−1· + 1· =−0,05263
38 38
Podríamos preguntarnos qué importancia tiene este cálculo. La ley de los números
grandes, descubierta por Jacob Bernoulli en el siglo 18 nos da la respuesta.
En términos del juego de la ruleta americana, la ley de los números grandes nos indica
que el valor promedio de la ganancia de la casa de apuestas por jugador tiende a
−E( X )=0,05263, y por lo tanto es positivo. Es decir, aunque de vez en cuando
aparecerán jugadores afortunados que ganarán 35 dólares, la ley de los números
grandes establece siempre existirá una cantidad suficientemente grande de apuestas
a partir de las cuales el balance para la casa es favorable.

Teorema (2): Ley Fuerte de los Grandes Números

Sean n variables aleatorias X 1 ; X 2 ; … ; X n independientes e idénticamente distribuidas
entre sí, y con cada una con valor medio μ y varianza σ 2, ambas finitas. Si
n

∑ X 1+ X 2 +…+ X n, ∀ α > 0entonces:

i=1

(| | )
n

∑ Xi
i=1
lim P −μ ≤ α =1
n→∞ n

Demostración:
n
Por teorema de Tchebyshev con ∑ X i=Sn
i=1

P
Sn
n (| | ) σ2
−μ ≤ α >1− 2
nα Aplicando Limites

(| | )
2
Sn σ
lim P −μ ≤ α > lim 1−lim 2
n→∞ n n→∞ n→∞ n α

lim P
n→∞ (| | )
Sn
n
−μ ≤ α =1

16
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Generalización:
Hasta aquí solo hemos considerado el caso en el que todas las variables tengan igual
valor medio y varianza, pero la ley de los grandes números se aplica de igual manera
a situaciones mucho más generales.
En el caso de los valores medios y las varianzas no sean constantes, suponiendo las
medias de las variables cantidades a 1, se tiene por valor medio.
a1+ a2 +…+ an Promedios de los
A= promedios medias de las
n medias
En virtud del teorema de Tchebyshev

(| | )
2
Sn Q
P − A >α ≤ 2
n α
Sn
Todo se reduce a la evaluación de Q 2, que es la dispersión de la variable y equivale
n
a dividir por n la suma de las dispersiones de n variables independientes entre sí. Esto
es:
2 1
Q= 2
(q 1+ q2 +…+ qn )
n
En donde q i designan las varianzas de las variables. Supondremos que estas
varianzas son, en general, diferentes entre sí, pero admitiendo que por numerosas que
sean las variables consideradas, sus varianzas serán en cualquier circunstancia
menos que cierto número positivo b. En la práctica, esta condición se realiza siempre
porque solo puede tratarse de variables más menos homólogas. Entonces:
2 1
Q < 2
nb
n
Se deduce entonces:

P (| | )
Sn
n
b
− A >α > 2
nα
Por pequeño que sea α , siempre que el número n sea lo bastante grande el segundo
miembro de la desigualdad puede hacerse tan pequeño como se quiera.
Por ello mismo queda demostrada la ley de los grandes números en el caso general.

Ley Débil y Fuerte de los Grandes Números

17
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

 La Ley débil: Nos dice que, en promedio, a medida que realizamos más y más
experimentos independientes y aleatorios, la frecuencia con la que ocurre un
evento se acerca cada vez más a su probabilidad teórica.
 La Ley Fuerte: va un poco más allá. Nos dice que, no solo el promedio, sino
casi al 100%, la frecuencia con la que ocurre un evento se acerca a su
probabilidad teórica. Esto significa que la probabilidad de los resultados difieran
significativamente de las expectativas teórica disminuye a medida que haceos
más experimentos.
Ejemplos:
Ley Débil Ley Fuerte
Si Lanzamos una moneda muchas Lanzar una moneda muchas veces, lay
veces, a medida que aumentamos el fuerte nos dice que la proporción de
número de lanzamientos, la proporción “caras” y “cruces” convergerá casi
de “caras” se acercará cada vez mas al automáticamente en el 50% a medida
50% y la proporción de “cuces” también que el número de lanzamientos ea
se acercará al 50%. En resumen, la ley prácticamente infinito.
débil nos dice que, a largo plazo las
observaciones se acercan a la
probabilidad esperada.

Suma de variables aleatorias

Sea W una variable aleatoria igual a la suma de dos variables aleatorias X e Y
independientes:
X +Y =W
La función de distribución que estamos buscando se define como sigue
F w ( w )=P ( W ≤ w )=P(X +Y ≤ w)
Ahora a partir de la propiedad de la función de distribución conjunta, la probabilidad
correspondiente a un área elemental dxdy del plano xy en el punto (x , y ) es

18

(1 ; 2)
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

f X , Y ( x , y ) dxdy . Si sumamos todas estas probabilidades para la región en la que

x + y ≤ w, se obtiene F W (w) .Por tanto.
∞ w− y
F W ( w )=∫ ∫ f X , Y ( x , y ) dxdy
-∞ x=−∞

∞ w− y
F W ( w )=∫ f Y ( y ) ∫ f X ( x ) dxdy
-∞ x=−∞

Diferenciando (1.2), aplicando la regla de Leibniz, obtenemos la función de densidad

deseada:
∞
F W ( w )=∫ f Y ( y )f X ( w− y ) dy (1 ; 3)
-∞

La expresión (1 ; 3) se conoce como integral de convolución. Por lo tanto, la función de

densidad de la suma de dos variables aleatorias estadísticamente independientes es
la convolución de sus funciones de densidad individuales.

Suma de variables aleatorias independientes con distribución Poisson

X P ( λ1 ) ; Y ( λ2 ) ; X e Y independiente ⇒ X+ Y P( λ1 + λ2 )
Demostración:
Considerando del evento { X +Y =n} como unión de eventos excluyentes
{ X =k , Y =n−k } 0 ≤ k ≤ n ,entonces
n
P ( X +Y =n )=∑ P ( X=k ; Y =n−k )
k =0

n
P ( X +Y =n )=∑ P ¿ ¿
k =0

n − λ1 k − λ2 n−k
e λ1 e λ2
P ( X +Y =n )=∑ ·
k =0 k! ( n−k ) !
n k n−k
λ1 λ 2
−(λ¿¿1 +λ 2) ∑ · ¿
P ( X +Y =n )=e k=0 k ! ( n −k ) ! X y Y son independientes
−(λ ¿ ¿1+ λ2 ) n
e n!
P ( X +Y =n )=
n!
∑ k ! ( n−k λ k · λ n−k ¿
)! 1 2
k=0

−( λ ¿¿ 1+ λ2)
e n
PP ( X +Y =n )=
n!
( λ1 + λ 2 ) ¿ Por Binomio de Newton

19
 Carrera: 2º año de Profesorado en Matemática
Catedra: Probabilidad
Alumna: Quinteros, Yuliana Mariana

Ósea X +Y tiene distribución Poisson parámetro λ 1+ λ2

20