Parte 1 Suma de variables aleatorias y

Teorema central del lmite

6-

Prof. Mara B. Pintarelli

SUMA DE VARIABLES
CENTRAL DEL LMITE

ALEATORIAS

TEOREMA

6.1 Suma de variables aleatorias independientes

Cuando se estudiaron las variables aleatorias bidimensionales se habl de una funcin de variable
aleatoria bidimensional. En particular se nombr la suma de n variables aleatorias, pero no se dijo
nada sobre la distribucin de esa v.a. suma.
Es a menudo importante saber cul es la distribucin de una suma de variables aleatorias independientes.
Consideramos algunos ejemplos en el caso discreto
1- Suma de variables aleatorias independientes con distribucin Poisson

X ~ P(1 ) ; Y ~ P (2 ) ; X y Y independientes

X + Y ~ P(1 + 2 )

Dem.)
Consideramos el evento {X + Y = n} como unin de eventos excluyentes
{X = k , Y = n k } 0 k n , entonces
n

P ( X + Y = n) =

P( X = k ,Y = n k ) = P( X = k )P(Y = n k ) = e
k =0

k =0

1k

k =0

k!

e 2

2 n k

(n k )!

X e Y independientes
n

= e (1 + 2 )
k =0

1 k 2 n k

e ( 1 + 2 )
k! (n k )!
n!

n!
e (1 + 2 )
k
nk

=
(1 + 2 )n

1
2
n!
k = 0 k!(n k )!
n

Binomio de Newton
O sea X+Y tiene distribucin Poisson con parmetro 1 + 2
2- Suma de variables aleatorias binomiales independientes

X ~ B(n1 , p) ; Y ~ B(n2 , p) ; X y Y independientes

Dem.)
Nuevamente consideramos el evento
{X = i, Y = k i} 0 i n1 , entonces

{X + Y = k }

X + Y ~ B(n1 + n2 , p)

como unin de eventos excluyentes

n1
n1
n1
n
n
P( X + Y = k ) = P( X = i, Y = k i ) = P( X = i ) P(Y = k i ) = 1 p i (1 p ) n1 i 2 p k i (1 p ) n2 k +i =
i =0
i=0
k =0 i
k i

X e Y independientes
n n
= p k (1 p) n1 + n2 k 1 2
i = 0 i k i
n1

r
En la expresin anterior si j > r entonces = 0
j
103

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

Por ltimo usamos la siguiente identidad combinatoria

n1

n1 n2

i =0

n1 + n 2

i k i =

Y entonces

n +n
P( X + Y = k ) = 1 2 p k (1 p ) n1 + n2 k
k
O sea X+Y tiene distribucin binomial con parmetros n1 + n 2 y p
Observacin: en los dos casos anteriores se puede generalizar el resultado a n variables aleatorias
independientes, usando el principio de induccin completa, es decir
1- Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ P(i ) para todo
n

i = 1,2,..., n entonces

~ P ( i )

i =0

i=0

2- Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ B ( ni , p ) para todo

n

i = 1,2,..., n entonces

~ B ( ni , p )

i =0

i =0

Suma de variables aleatorias normales independientes

Si X e Y son dos variables aleatorias continuas independientes con densidades g(x) y h(y) respectivamente se puede probar (no lo demostraremos aqu) que la v.a. Z = X + Y tiene densidad dada

por

f X +Y ( z ) =

g ( z y )h( y)dy

Usando esto se puede demostrar el siguiente importante resultado:

Si X e Y son variables aleatorias independientes donde X ~ N 1 , 1

ces X + Y ~ N 1 + 2 , 1 + 2
2

) y Y ~ N ( , ) enton2

Por induccin completa se puede generalizar este resultado a n variables:

Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ N ( i , i2 ) para todo
n

i = 1,2,..., n entonces

i =0

i =0

i =1

~ N ( i , i2 )

De lo anterior y del hecho que X ~ N , 2

aX + b ~ N(a + b, a 2 2 ) tenemos:

Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ N ( i , i2 ) para todo

i = 1,2,..., n entonces

i =0

i =0

i =1

ai X i ~ N ( ai i , ai2 i2 ) donde a1 , a 2 ,..., a n son nmeros reales

104

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

Se dice que

a X
i

es una combinacin lineal de variables aleatorias.

i =0

Ejemplos:
1- La envoltura de plstico para un disco magntico est formada por dos hojas. El espesor de cada
una tiene una distribucin normal con media 1.5 milmetros y desviacin estndar de 0.1 milmetros. Las hojas son independientes.
a) Determine la media y la desviacin estndar del espesor total de las dos hojas.
b) Cul es la probabilidad de que el espesor total sea mayor que 3.3 milmetros?
Solucin: Sean las variables aleatorias
X: espesor de la hoja 1 e Y: espesor de la hoja 2
Entonces X ~ N( 1.5,0.12 ) ; Y ~ N( 1.5,0.12 ) y X e Y independientes
a) Si definimos la v.a. Z: espesor total de las dos hojas , entonces Z = X + Y
Por lo tanto Z ~ N( 1.5 + 1.5, 0.12 + 0.12 ) es decir Z ~ N( 3, 0.02)
En consecuencia E ( Z ) = 3 , Z = V ( Z ) = 0.02
b) Se pide calcular P ( Z > 3.3)

Z 3 3. 3 3
3.3 3
P ( Z > 3.3) = P
>
= 1
= 1 (2.12132 ) = 1 0.983 = 0.017
0.02
0.02
0.02
2-Tengo tres mensajes que atender en el edificio administrativo. Sea Xi : el tiempo que toma el isimo mensaje (i = 1, 2 ,3), y sea X4 : el tiempo total que utilizo para caminar hacia y desde el
edificio y entre cada mensaje. Suponga que las Xi son independientes, normalmente distribuidas, con las siguientes medias y desviaciones estndar:
1 = 15 min, 1 = 4, 2 = 5, 2 = 1, 3 = 8, 3 = 2, 4 = 12, 4 = 3
Pienso salir de mi oficina precisamente a las 10.00 a.m. y deseo pegar una nota en mi puerta que
dice regreso a las t a.m. A qu hora t debo escribir si deseo que la probabilidad de mi llegada
despus de t sea 0.01?
Solucin: Definimos la v.a. Z: tiempo transcurrido desde que salgo de mi oficina hasta que regreso, entonces T = X 1 + X 2 + X 3 + X 4

4
Por lo tanto T ~ N i ,
i =1
4

i =1

i =1

= 15 + 5 + 8 + 12 = 50 y

, y se pide hallar t tal que P (T > t ) = 0.01

= 4 2 + 12 + 2 2 + 3 2 = 30

i =1

t 50
t 50
Entonces P (T > t ) = 1
= 0.01 , es decir
= 0.99
30
30
t 50
Buscando en la tabla de la normal
= 2.33 t = 2.33 30 + 50 = 62.7619
30
3- El ancho del marco de una puerta tiene una distribucin normal con media 24 pulgadas y desviacin estndar de 1/8 de pulgada. El ancho de la puerta tiene una distribucin normal con media 23.875 de pulgadas y desviacin estndar de 1/16 de pulgadas. Suponer independencia.
a) Determine la distribucin, la media y la desviacin estndar de la diferencia entre el ancho
del marco y de la puerta.
105

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

b) Cul es la probabilidad de que la diferencia entre el ancho del marco y de la puerta sea mayor que de pulgada?.
c) Cul es la probabilidad de que la puerta no quepa en el marco?.
Solucin: Sean las variables aleatorias
X: ancho del marco de la puerta en pulgadas
Y: ancho de la puerta en pulgadas
Entonces X ~ N( 24, (1/8) 2 ) , Y ~ N( 23.875, (1/16) 2 ) , X e Y independientes
a) Se pide la distribucin de X-Y , E ( X Y ) , X Y = V ( X Y )
E ( X Y ) = E ( X ) E (Y ) = 24 23.875 = 0.125
2

5
1 1
V ( X Y ) = V ( X ) + V (Y ) = + =
256
8 16
2

Por lo tanto X Y ~ N 0.125,

16

b) Se pide la probabilidad P( X Y > 1 / 4)

X Y =

5
16

2 5
0.25 0.125

= 1 (0.8944) = 1 0.8133 = 0.1867

P ( X Y > 1 / 4) = 1
= 1

5
5

16

c) Si la puerta no entra en el marco entonces se da el evento {X < Y } o equivalentemente

{X Y < 0}, por lo tanto

2 5
2 5
0 0.125

= 1

P ( X Y < 0) =
=

5 = 0.1867

5
5

16

4- Supongamos que las variables aleatorias X e Y denotan la longitud y el ancho en cm, respectivamente, de una pieza.
Supongamos adems que X e Y son independientes y que X ~ N(2 , 0.12 ) , Y ~ N(5 , 0.22 ).
Entonces Z = 2X + 2Y es una v.a. que representa el permetro de la pieza.
Calcular la probabilidad de que el permetro sea mayor que 14.5 cm.

Solucin: tenemos que Z ~ N 2 2 + 2 5, 2 2 0.12 + 2 2 0.2 2 , o sea Z ~ N (14, 0.2 )

La probabilidad pedida es P( Z > 14.5) , entonces
5
14.5 14
= 1 (1.1180 ) = 1 0.8810 = 0.119
P( Z > 14.5) = 1
= 1

0.2

2
5- Si se aplican dos cargas aleatorias X 1 y X 2 a una viga voladiza como se muestra en la figura siguiente, el momento de flexin en 0 debido a las cargas es a1 X 1 + a 2 X 2 .
a) Suponga que X 1 y X 2 son v.a. independientes con medias 2
y 4 KLbs respectivamente, y desviaciones estndar 0.5 y
1.0 KLbs, respectivamente.

106

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

Si a1 = 5 pies y a 2 = 10 pies, cul es el momento de flexin esperado y cul es la desviacin

estndar del momento de flexin?
b) Si X 1 y X 2 estn normalmente distribuidas, cul es la probabilidad de que el momento de
flexin supere 75 KLbs?
Solucin: Sea la v.a. Z: momento de flexin en 0, entonces Z = 5 X 1 + 10 X 2
Por lo tanto
a) E ( Z ) = 5E ( X 1 ) + 10E ( X 2 ) = 5 2 + 10 4 = 50
V (Z ) = 5 2 0.5 2 + 10 2 12 = 25 0.25 + 10 1 =

65
4

Z =

65
4

65

b) Si X 1 y X 2 estn normalmente distribuidas, entonces Z ~ N 50,

Por lo tanto

10 65
75 50

= 1 (6.20 ) 1 1 = 0
P( Z > 75) = 1
= 1

65
13

Promedio de variables aleatorias normales independientes

Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ N ( , 2 ) para todo
n

i = 1,2,..., n entonces la v.a. X =

media y varianza

i =1

tiene distribucin normal con

2
n

Dem.) Notar que X =

X
i =1

es un caso particular de combinacin lineal de variables aleatorias

1
para todo i = 1,2,..., n
n
2
Adems en este caso i = y i = 2 para todo i = 1,2,..., n
donde a i =

Por lo tanto, X tiene distribucin normal con esperanza

n
1
1
1

=
= n =

i
n
i =1 n
i =1 n

y varian-

za
2

n
2
1 2
1 2 1
2

=
=
n
=

i
n
n
i =1 n
i =1 n
2

Es decir, X ~ N ,
n

Observacin: a X se lo llama promedio muestral o media muestral

107

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

Ejemplos:
1) El dimetro interno de un anillo de pistn seleccionado al azar es una v.a. con distribucin normal con media 12 cm y desviacin estndar de 0.04 cm.
a) Si X es el dimetro promedio en una muestra de n = 16 anillos, calcule P (11.99 X 12.01)
b) Qu tan probable es que el dimetro promedio exceda de 12.01 cuando n = 25 ?
Solucin:
a) Sean las variables aleatorias X i : dimetro del anillo i i = 1,2,...,16

Entonces X i ~ N 12, 0.042 para cada i.

2

Por lo tanto X ~ N 12, 0.04 . Entonces

16

P (11.99 X 12.01) = P (

11.99 12
0.04 2

16

12.01 12

=

0.04 2

16

= 2 0.8413 1 = 0.6826

X 12
0.04 2
16

12.01 12
0.04 2

)=

16

11.99 12
0.04 2
16

= 1 1 = 2 (1) 1 =

() ( )

b) En este caso X ~ N 12, 0.04 , entonces

25

12.01 12
P ( X > 12.01) = 1
= 1 (1.25) = 1 0.8944 = 0.1056
2
0.04

25

2) Una mquina embotelladora puede regularse de tal manera que llene un promedio de onzas
por botella. Se ha observado que la cantidad de contenido que suministra la mquina presenta una
distribucin normal con = 1 onza. De la produccin de la mquina un cierto da, se obtiene una
muestra de 9 botellas llenas (todas fueron llenadas con las mismas posiciones del control operativo) y se miden las onzas del contenido de cada una.
a) Determinar la probabilidad de que la media muestral se encuentre a lo ms a 0.3 onzas de la
media real para tales posiciones de control
b) Cuntas observaciones deben incluirse en la muestra si se desea que la media muestral est a
lo ms a 0.3 onzas de con una probabilidad de 0.95?

108

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

Solucin:
a) Sean las variables aleatorias X i : contenido en onzas de la botella i i = 1,2,...,9
Entonces X i ~ N ( ,1) para cada i.
1
Por lo tanto X ~ N , . Se desea calcular
9

0. 3
X
0.3
P( X 0.3) = P(0.3 X 0.3) = P

n
n
n

0.3

X
0.3
X
= P

= P 0. 9
0.9 = (0.9) (0.9) =

n
n
n
n

= 2(0.9) 1 = 0.6318
b) Ahora se pretende que
P( X 0.3) = P( 0.3 X 0.3) = 0.95
Entonces

0.3 X

0.3
X
P( X 0.3) = P

= P 0.3 n
0.3 n = 0.95

n
n
n
n

Mediante la tabla de la acumulada de la normal estndar se tiene que

X
P 0.3 n
0.3 n = 2 0.3 n 1 = 0.95 0.3 n = 0.975 0.3 n = 1.96
1

1.96
O sea n
= 42.68
0.3
Si tomamos n = 43 , entonces P( X 0.3) ser un poco mayor que 0.95

6.2 - Teorema central del lmite

Acabamos de ver que la suma de un nmero finito n de variables aleatorias independientes que
estn normalmente distribuidas es una variable aleatoria tambin normalmente distribuida. Esta
propiedad reproductiva no es exclusiva de la distribucin normal. En efecto, por ejemplo, ya vimos
que existen variables aleatorias discretas que la cumplen, es el caso de la Poisson y la Binomial.
En realidad, la propiedad que le da a la distribucin normal el lugar privilegiado que ocupa entre
todas las distribuciones es el hecho de que la suma de un nmero muy grande, rigurosamente un
nmero infinito numerable, de variables aleatorias independientes con distribuciones arbitrarias
(no necesariamente normales) es una variable aleatoria que tiene, aproximadamente, una distribucin normal. Este es, esencialmente, el contenido del

109

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

Teorema central del lmite (T.C.L.):

Sean X 1 , X 2 ,..., X n variables aleatorias independientes con E ( X i ) = y V ( X i ) = 2 para todo
i = 1,2 ,..., n , es decir independientes idnticamente distribuidas
n
S n
Sea la v.a. S n = X i y sea Z n = n
.
i =1
n 2
z
2
S n n

1
x
2

Entonces lim P(Z n z ) = ( z ) , esto es lim P

z =
e
dx

2
n
n
2

Dem.) sin demostracin

Observaciones:
n
n
n
n
1- Notar que E (S n ) = E X i = E ( X i ) = n y V (S n ) = V X i = V ( X i ) = n 2
i =1 i =1
i =1 i =1
S n
Por lo tanto Z n = n
es la v.a. S n estandarizada
n 2
S n n

X
S n n

n
z = P
z = P
2- Notar que P
, por lo tanto tambin se puede
2
2

n
n

enunciar el Teorema central del lmite de la siguiente forma

Sean X 1 , X 2 ,..., X n variables aleatorias independientes con E ( X i ) = y V ( X i ) = 2 para todo
i = 1,2 ,..., n , es decir independientes idnticamente distribuidas
1 n
Sea la v.a. promedio muestral X = X i y sea Z n = X .

n i =1
n

Entonces lim P(Z n z ) = ( z ) , esto es lim P

z =
n
n
n

1
2

dx

Donde Z n = X es el promedio muestral estandarizado

3- Aunque en muchos casos el T.C.L. funciona bien para valores de n pequeos , en particular
donde la poblacin es continua y simtrica, en otras situaciones se requieren valores de n mas
grandes, dependiendo de la forma de la distribucin de las X i . En muchos casos de inters prctico, si n 30 , la aproximacin normal ser satisfactoria sin importar cmo sea la forma de la distribucin de las X i . Si n < 30 , el T.C.L. funciona si la distribucin de las X i no est muy alejada
de una distribucin normal
4- Para interpretar el significado del T.C.L., se generan (por computadora) n valores de una v.a.
exponencial con parmetro = 0.5 , y se calcula el promedio de esos n valores. Esto se repite 1000
veces, por lo tanto tenemos 1000 valores de la v.a. X .
110

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

Hacemos un histograma de frecuencias de X , esto es, tomamos un intervalo ( a, b) donde

caen todos los valores de X , y lo subdividimos en intervalos mas chicos de igual longitud. La
frecuencia de cada subintervalo es la cantidad de valores de X que caen en dicho subintervalo.
Se grafican estas frecuencias obtenindose los grficos siguientes que se pueden considerar una
aproximacin a la verdadera distribucin de X .
Se observa que a medida que aumenta el valor de n los grficos se van haciendo ms simtricos,
parecindose a la grfica de una distribucin normal.

n=2

150

80

n=5
60

100
40

50

20

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829303132

40
50

n = 30

n = 15

40

30

30
20
20
10
10

1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829

1 2 3 4 5 6 7 8 9 10 11121314 1516171819 202122

Ejemplos:
1- Supngase que 30 instrumentos electrnicos D1, D2, ......,D30, se usan de la manera siguiente: tan
pronto como D1 falla empieza a actuar D2. Cuando D2 falla empieza a actuar D3, etc. Supngase
que el tiempo de falla de Di es una v.a. distribuida exponencialmente con parmetro = 0.1 por
hora. Sea T el tiempo total de operacin de los 30 instrumentos. Cul es la probabilidad de que T
exceda 350 horas?
Solucin:
Si X i : tiempo de falla del instrumento Di
Entonces X

i = 1,2,...,30

~ Exp ( 0 . 1 ) para i = 1,2,...,30

30

El tiempo total de operacin de los 30 instrumentos es T = X i , donde

i =1

E (T ) = E X i = 30 E ( X i ) = 30
= 300
0.1
i =1
30

111

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

1
30

V (T ) = V X i = 30 V ( X i ) = 30 2 = 3000
0.1
i =1
T 300
Entonces por T.C.L.
~ N(0,1) aproximadamente pues n = 30
3000
La probabilidad pedida es
T 300 350 300
350 300
P(T > 350) = P
>
1
= 1 (0.9128) = 1 0.81859 = 0.18141
3000
3000
3000
T.C.L.
2- Suponga que el consumo de caloras por da de una determinada persona es una v.a. con media
3000 caloras y desviacin estndar de 230 caloras. Cul es la probabilidad de que el promedio
de consumo de caloras diario de dicha persona en el siguiente ao (365 das) sea entre 2959 y
3050?
Solucin:
Definimos las variables aleatorias
X i : cantidad de caloras que una persona consume en el da i i = 1,2,...,365
Se sabe que E ( X i ) = 3000 y V ( X i ) = 230 2
1 365
2 230 2
=
X i entonces E ( X ) = 3000 y V ( X ) =

365 i =1
n
365
La probabilidad pedida es

2959 3000 X 3000 3050 3000

P (2959 X 3050 ) = P

230
230
230

365
365
365

Si X =

3050 3000
2959 3000

230
= (4.15) ( 3.40 ) 1 0 = 1

230

365
365

T.C.L.

Aplicaciones del Teorema central del lmite

Aproximacin normal a la distribucin binomial
El Teorema central del lmite se puede utilizar para aproximar las probabilidades de algunas variables aleatorias discretas cuando es difcil calcular las probabilidades exactas para valores grandes
de los parmetros.
Supongamos que X tiene una distribucin binomial con parmetros n y p. Para calcular P( X k )
k

debemos hacer la suma P( X k ) = P( X = i ) o recurrir a las tablas de la F.d.a. , pero para valoi=0

res de n grandes no existen tablas, por lo tanto habra que hacer el clculo en forma directa y muchas veces es laborioso.
Como una opcin podemos considerar a X como suma de variables aleatorias ms simples, especficamente, si definimos

112

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

1 si en la sima repeticin de ocurre xito

Xi =
i = 1,2,..., n
0
caso contrario

entonces cada X i se la puede considerar B(1, p ) , y adems X 1 , X 2 ,..., X n son independientes

n

Podemos escribir X = X 1 + X 2 + ... + X n = X i y si n es grande entonces X tendr aproximai =1

damente una distribucin normal con parmetros np y np (1 p ) , es decir

X n
X n. p
Zn =
=
N (0,1) si n es lo suficientemente grande
2
n. p (1 p )
n
Observaciones:
1- La aproximacin normal a la distribucin binomial funciona bien aun cuando n no sea muy
grande si p no est demasiado cerca de cero o de uno. En particular la aproximacin normal a la
binomial es buena si n es grande , np > 5 y n(1 p ) > 5 , pero es ms efectivo aplicar esta aproximacin cuando np > 10 y n(1 p ) > 10
2- Correccin por continuidad.
Acabamos de ver que si XB(n,p) entonces, para n suficientemente grande, podemos considerar
que aproximadamente es X N [n. p ,n. p (1 p )] . El problema que surge de inmediato si deseo calcular, por ejemplo, la probabilidad de que X = k (con k alguno de los valores posibles 0,1,2,,n)
es que la binomial es una distribucin discreta y tiene sentido calcular probabilidades como
P( X = k ) mientras que la normal es una distribucin continua y, en consecuencia, P( X = k ) = 0
puesto que para una variable aleatoria continua la probabilidad de que sta tome un valor aislado
1
1

es cero. Esto se resuelve si se considera P( X = k ) P k X k +

2
2

Tambin se puede usar esta correccin para mejorar la aproximacin en otros casos, especficamente en lugar de P( X k ) calculamos
1

P ( X k ) P X k +
2

Y en lugar de P( X k ) P X k
2

En los grficos siguientes se muestra para diferentes valores de n y p cmo aproxima la distribucin N (np, np (1 p )) a la distribucin B (n, p )

0.175
0.15
0.125

0.2

n = 25
p = 0.7

n = 15
p = 0.5

0.15

0.1
0.1
0.075
0.05

0.05

0.025
5

10

15

20

25

10

12

14

113

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

0.35
0.3
0.25

0.08

n =15
p = 0.9

n = 100
p = 0.7

0.06

0.2
0.04

0.15
0.1

0.02

0.05
5

10

15

50

20

60

70

80

90

100

0.4

0.1

n = 150
p = 0.1

0.08

n = 10
p = 0.1

0.3

0.06
0.2
0.04
0.1

0.02

20

40

60

80

100

120

140

10

Ejemplos:
1- Sea X B(25,0.4). Hallar las probabilidades exactas de que X 8 y X = 8 y comparar estos
resultados con los valores correspondientes encontrados por la aproximacin normal.
Solucin:
De la tabla de la F.d.a. de la binomial encontramos P( X 8) = 0.274
Y P( X = 8) = P( X 8) P( X 7) = 0.274 0.154 = 0.120
Ahora usamos la aproximacin normal
X np

8.5 10
( 0.61) = 0.2709
P( X 8) P ( X 8.5) = P

np (1 p )

25

0
.
4

0
.
6

correccin por continuidad

Observar que el valor aproximado est muy cercano al valor exacto para P( X 8) = 0.274
7.5 10 X 10 8.5 10

X 10
P( X = 8) P(7.5 X 8.5) = P

= P 1.02
0.61 =
6
6
6
6

= 0.2709 0.1593 = 0.1170

Nuevamente este valor aproximado est muy cerca del valor real de P( X = 8) = 0.120

114

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

2- Suponga que el 10% de todos los ejes de acero producidos por cierto proceso estn fuera de
especificaciones, pero se pueden volver a trabajar (en lugar de tener que enviarlos a la chatarra).
Considere una muestra aleatoria de 200 ejes y denote por X el nmero entre ellos que estn fuera
de especificaciones y se puedan volver a trabajar. Cul es la probabilidad (aproximada) de que X
sea
a) a lo sumo 30?
b) menos de 30?
c) entre 15 y 25 (inclusive)?
Solucin:
Sea la v.a. X: nmero de ejes fuera de especificaciones
Entonces X ~ B ( 200, 0.1) , adems np = 200 0.1 = 20 > 5 y n(1 p ) = 200 (1 0.1) = 180 > 5
Por lo tanto podemos aplicar la aproximacin normal a la binomial
a) la probabilidad pedida es P ( X 30)

X np
30.5 20
30.5 20
P ( X 30) P ( X 30.5) = P

= (2.474 ) = 0.993244
np (1 p )

18
18

b) La probabilidad pedida es P ( X < 30)

Al ser X una v.a. discreta con distribucin binomial P ( X < 30) = P ( X 29)
29.5 20
P ( X 29) P ( X 29.5)
= (2.2391) = 0.98745
18

c)

25.5 20
14.5 20
P (15 X 25) P (14.5 X 25.5)

=
18
18

= (1.2963) ( 1.2963) = 2(1.2963) 1 = 2 0.90147 1 = 0.80294

3- El gerente de un supermercado desea recabar informacin sobre la proporcin de clientes a los
que no les agrada una nueva poltica respecto de la aceptacin de cheques. Cuntos clientes tendra que incluir en una muestra si desea que la fraccin de la muestra se desve a lo mas en 0.15 de
la verdadera fraccin, con probabilidad de 0.98?.
Solucin:
Sea X: nmero de clientes a los que no les agrada la nueva poltica de aceptacin de cheques
Entonces X ~ B(n, p ) donde p es desconocido y es la verdadera proporcin de clientes a los que
no les agrada la nueva poltica de aceptacin de cheques. El gerente tomar una muestra de n clienX
X
tes para estimar p con X =
ya que X =
es la proporcin de clientes a los que no les
n
n
agrada la nueva poltica de aceptacin de cheques en la muestra de n clientes. Si no se toman a
X
todos los clientes, entonces X =
no ser igual a p.
n
X
La pregunta es cul debe ser n para que X =
se aleje del verdadero p en menos de 0.15 con
n
probabilidad 0.98 por lo menos, o sea para que P X p 0.15 0.98

Entonces planteamos
0.15n
P X p 0.15 = P ( 0.15 X p 0.15) = P

np (1 p )

X np
np (1 p )

np (1 p )

0.15n

115

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

Prof. Mara B. Pintarelli

T.C.L.
0.15n

0.15n = 2 0.15n 1 0.98

np (1 p )
np (1 p )
np (1 p )

0.15n 0.98 + 1

Por lo tanto
= 0.99
np(1 p )
2

Adems

0.15n
np (1 p)

0.15 n
p (1 p )

0.15 n
0.5(1 0.5)

= 0.3 n

2.33
Entonces debe cumplirse que 0.3 n 2.33 o sea n
= 60.3211
0.3
O sea se debe tomar una muestra de al menos 61 clientes

Aproximacin normal a la distribucin Poisson

Se puede probar aplicando Teorema central del lmite que
Si X ~ P( ) entonces para suficientemente grande

tiene aproximadamente distribu-

cin N (0,1)

Es decir para suficientemente grande

N (0,1)

En la prctica si 30 la aproximacin es buena.

Observacin: la demostracin es sencilla si es igual a un nmero natural n pues, si consideramos las variables aleatorias X i ~ P(1) con i = 1,2,..., n independientes, entonces ya sabemos que
n

X
i =1

n
~ P 1 , es decir
i =1

~ P ( n)

i =1

Pero adems por T.C.L. si n es grande

tiene aproximadamente distribucin normal con pa-

i =1

rmetros n = n 1 = n y n 2 = n 1 = n
n

O sea la distribucin de

que es exactamente Poisson con parmetro n, se puede aproximar

i =1

con una N (n, n) , por lo tanto

X n
n

N (0,1) aproximadamente para valores de n suficientemente

grandes
En los grficos siguientes se muestra para diferentes valores de cmo aproxima la distribucin
N ( , ) a la distribucin P( )
116

Parte 1 Suma de variables aleatorias y

Teorema central del lmite

0.05

Prof. Mara B. Pintarelli

0.2

= 50

0.04

=3

0.15

0.03
0.1
0.02
0.05

0.01

20

40

60

80

100

10

15

20

25

30

Ejemplo:
El nmero de infracciones por estacionamiento en cierta ciudad en cualquier da hbil tiene una
distribucin de Poisson con parmetro = 50. Cul es la probabilidad aproximada de que:
a) entre 35 y 70 infracciones se expidan en un da en particular?
b) el nmero total de infracciones expedidas durante una semana de 5 das sea entre 225 y 275?
Solucin:
Sea X: nmero de infracciones por estacionamiento en cierta ciudad en cualquier da hbil
Entonces X ~ P ( ) donde = 50
X 50
Como = 50 entonces
N (0,1) (aproximadamente)
50
a) la probabilidad pedida es
70 50
35 50
P(35 X 70 )

= (2.8284 ) ( 2.12132 ) =
50
50
= 0.997599 0.017 = 0.9805
b) Sea Y: nmero total de infracciones expedidas durante una semana de 5 das
Entonces Y ~ P( ) donde = 50 5 = 250
La probabilidad pedida es
275 250
225 250
P(225 Y 275)

= (1.5811) ( 1.5811) =
250
250

= 2(1.5811) 1 = 2 0.94295 1 = 0.8859

117