APROXIMACIN NORMAL A LA BINOMIAL

Las probabilidades asosiadas con experimentos binomiales se obtiene fcilmente a partir de a formula b(x;n,p) de la distribucin binomial o de la tabla A.1 n es pequea. La distribucin de poisson se puede utilizar para aproximar probabilidades binomiales cuando n es bastante grande y p esta muy cercene a 0 o a 1. Las distribuciones binomial y de poisson son ambas discretas. La distribucin normal a menudo es una buena aproximacin a una distribucin discreta cuando la ultima adquiere una forma de campana simtrica. Algunas distribuciones convergen a la normal conforme sus parmetros se aproximan a ciertos lmites. Un teorema que nos permitir utilizar areas bajo las curvas normal para aproximar propiedades binomiales cuando n es suficientemente grande. TEOREMA: si x es una variable aleatoria binomial con medida =np y varianza =npq, entonces la forma limite de la distribucin de

Conforme n, es la distribucin normal estndar n(z;0,1) Resulta que la distribucin normal con =np y =np(1-p) no solo ofrece una aproximacin muy precisa a la distribucin binomial cuando n es grande y p no esta extremadamente cercana a 0 o a 1, sino que tambin brinda una aproximacin bastante buena aun cuando n sea pequea y p este razonablemente cercana a . Primero dibujamos el hitograma para b(x;15,0.4) y despus superponemos la curva normal particular que tenga las mismas medidas y la varianza que la variable binomial X. de aqu dibujamos una curva normal con ( )( ) ( )( )( )

el hitograma para b(x;15,0.4) y la curva normal superpuesta correspondiente , que esta determinada por completo por su medida y su varianza, se ilustra en la figura.

La probabilidad exacta de que la variable aleatoria bunomial X tome un valor dado x es igual al area de la barra cuya base se sentra en x. Por ejemplo La probabilidad exacta de que X tome el valor de 4 es igual al area del rectngulo con base centrada en x=4 con la tabla A.1 encontramos que esta area es

Que es aproximadamente igual al area de la regin sonbreada bajo la curva normal entre las dos ordenadas x1=3.5 y x2=4.5 en la figura. Al convertir a valores z, tenemos

Si X es una variable a leatoria binomial y Z una variable normal astandar, entonces ( ) ( ) ( ) ( ) ( )

esto coinsidebastante con el valor exacto de 0.1268

sea X una variable aleatoria binomial con parmetros n y p. en tonses, X tiene aproximadamente una distribucin normal con =np y =npq=np(1p) y ( ) ( )

area bajo la curva normal a la izquierda de x+0.5 ( )

Y la aproximacin ser buena si np y n(1-p) son mayores que o iguales a 5. Como indicamos antes, la calidad de la aproximacin es bastate buena para n grande. Si p es cercana a 1/2, un tamao de la muestra moderado o pequeo ser suficiente para una aproximacin razonable. Se dan tanto la aproximacin normal como las probabilidades binomiales acumuladas reales. Obserbe que en p=0.05 y p=0.1 aproximacion es bastante grueza para n=10. Sin embargo, aun para n=10, note la mejora para p= 0.5. por otro lado, cuando p es fija en p=0.5 observe la mejora de la aproximacin conforme vamos de n=20 a n=100

DISTRIBUCIONES GAMA Y EXPONENCIAL

La distribucin exponencial es un caso especial de la distribucin gamma. Las distribuciones exponencial y gamma juegan un papel importante en la teora de colas y en problemas de confiabilidad. DISTRIBUCIN GAMA: la variable aleatoria continua X tiene una distribucin gamma, con parmetros y , si su funcin de densidad esta dada por ( Donde >0 y >0 En la figura se muestran graficas de varias distribuciones gamma para ciertos valores especficos de los parmetros y . La distribucin gamma especial para la que =1 se llama distribucin exponencial. ) { ( ) }

DISTRIBUCIN EXPONENCIAL: la variable aleatoria continua X tiene una distribucin exponencial, con parmetro , si su funcin de densidad esta dada por

(
Donde >0

El siguiente teorema y colorario dan la medida y la varianza de las distribuciones gamma y exponencial Teorema: La medida y la varianza de la distribucin gamma son: = Corolario: La medida y la varianza de la distribucin exponencial son: y =

RELACIN CON EL PROCESO DE POISSON Las aplicaciones mas importantes de la distribucin exponencial son situaciones donde se aplica el proceso de poisson, la distribucin de poisson se utiliza para calcular la probabilidadde nmeros especficos de eventos durante un periodo o espacio particulares. usando la distribucin de poisson, encontramos que la probabilidad de que no ocurra algn evento, en el periodo hasta el tiempo t, esta dada por ( ) ( )

Ahora podemos utilizar lo anterior y hacer que Z sea el tiempo para el primer evento de poisson. La probabilidad de que la duracin del tiempo hasta el primer evento exceda x es la misma que la probabilidad de que no ocurra algn evento de poisson en x. esto ultimo, esta dado por como resultado ( )

Asi la funcin de distribucin acumulada para X esta dada por

LA PROPIEDAD DE FALTA DE MEMORIA Y SU EFECTO DE LA DISTRIBUCIN EXPONENCIAL Los tipos de aplicacin de la distribucin exponencial en la confiabilidad y en los problemas de tiempo de vida de una maquinq o de un componente estn influidos por la propiedad de falta de memoria de la distribucin exponencial. Por ejemplo en el caso de uncomponente elctrico donde la distribucin del tiempo de vida sigue una distribucin exponencial, la probabilidad de que el componente dure, t horas P(X t) es la misma que la probabilidad condicional ( De manera que el componente alcansa las adisionales es la misma de durar t horas. | )

horas, a probabilidad de durar t horas

La importancia de la dustribucion gamma radica en el hecho de que define una familia de la que otras distribuciones son casos especiales. Pero la gamma misma tiene aplicaciones importantes en tiempo de espera y teora de confiabilidad. Mientras que la distribucin exponencial describe el tiempo hasta la ocurrencia de un evento de poisson, el tiempo que trascurre hasta que ocurre un numero especifico de eventos de poisson es una variable aleatoria, cuya funcin de densidad esta dada por la distribucin gamma. DISTRIBUCIN DE CHI CUADRADA Se llama distribucin chi cuadrada al hacer que =v/2 y =2, de la distribucin gamma donde v es un entero positivo.

Teorema: La media y la varianza de la distribucin chi cuadrada son:

DISTRIBUCIN LOGARTMICA NORMAL La distribucin logartmica normal se utiliza enuna amplia variedad de aplicaciones. La deistribucion se aplica en casos donde una transformacin logartmica natural tiene como resultado una distribucin normal. La variable aleatiria continua X tiene una distribucin logartmica normal si la variable aleatoria Y=ln(X) tiene una distribucin normal con media y desviacin estndar la funcin de densidad de X es ( ) {
( ( ) )

Teorema: La media y la varianza de la distribucin logartmica normal

( DISTRIBUCIN DE WEIBULL

La variable aleatoria continua X tiene una distribucion de weibull, con perametros y Si su funcion de dencidad esta dada por ( ) {