Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
VARIABLES ALEATORIAS
1.- VARIABLES ALEATORIAS. FUNCIN DE DISTRIBUCIN.
FUNCIN DE DENSIDAD.
1.1 VARIABLE ALEATORIA
Lo que se pretende con la variable aleatoria es sustituir el espacio
de resultados por uno numrico, para facilitar la comprensin.
DEFINICIN
e llama variable aleatoria a aquella cu!o valor est" determinado
por el valor del e#perimento.
1.2 TIPOS DE VARIABLES ALEATORIAS
e llama v.a. discreta a aquella cu!os valores son un n$ finito de
n%meros reales distintos.
e llama v.a. continua a aquella cu!os valores son un intervalo, o
una unin de intervalos sobre la recta de los n%meros reales. &or
tanto, puede tomar valores.
E'E(&L)
1. Lan*ar + dados ! que la v.a. , sea la suma de resultados-
La v.a. discreta , es - .+, /, 0, ......, 1+2
2. ea el e#perimento- 3conocer el tiempo que se tarda en reali*ar
un cierto traba4o5.
La v.a. continua , toma valores.
N)67
7l con4unto de valores que toma la v.a. , se le denomina ran8o
de , , r8 , .
1.3. DISTRIBUCIN DE PROBABILIDAD
7sociamos la v.a. a la probabilidad con la que 9ac:amos
corresponder a cada uno de los resultados, ! por tanto, a cada
suceso.
e dice que tenemos una distribucin de probabilidad de la v.a. ,,
cuando asociamos probabilidades a la v.a. que procede de un espacio
de resultados probabili*ado.
E'E(&L)
ea el e#perimento 3lan*ar una moneda5
; . cara, cru* 2
ea la v.a. , ; n$ de caras que obtenemos
Los valores de , son 1 <
7dem"s, &=cara> ; & =cru*> ; ?
i 9acemos- 7 ; .sacar cara2 @ ; .sacar cru*2
#
1
; ,=7> ; 1 &=#
1
> ; &=1> ; &=,;1> ; ?
1
#
+
; ,=@> ; < &=#
+
> ; &=<> ; &=,;<> ; ?
E'E(&L)
Lan*amos una moneda 1< veces-
, ; n$ de caras obtenidas.
< , 1< toma una cantidad de valores finita, lue8o es de
tipo discreto.
&robabilidad de no sacar caras ; &=,;<> ; =1A+>
1<
&robabilidad de sacar 1 cara ; &=,;1>; =1A+>
1
=1A+>
B
; =1A+>
1<
En 8eneral-
&=, ; #> ; =1A+>
1<
1.4 FUNCIN DE DISTRIBUCIN
Definimos la funcin de distribucin , F , de una v.a. , , como una
funcin definida para cada n$ real # , de la forma -
F=#> ; &=, #> C < # <
Es decir, una funcin que nos indica la probabilidad de que la v.a.
, tome valores menores o i8uales al # dado.
Nos indica la probabilidad acumulada desde el e#tremo inferior
del intervalo, 9asta el valor # del dominio de la v.a. ,
Como F=#> ; &=, #> es una probabilidad ! sta est"
comprendida entre < ! 1 < F=#> 1
&D)&IED7DE
1> < F=#> 1 , !a vista
+> La funcin de distribucin es no decreciente a medida que crece
#, o sea -
i #
1
E #
+
F=#
1
> F=#
+
>
Fe"moslo-
i #
1
< #
+
&=,#
1
> &=,#
+
> F=#
1
> F=#
+
>
/> En la funcin de distribucin se cumple-
lim F=#> ; < lim F=#> ; 1
Fe"moslo-
i # C
=#
1
, #
+
]
,
dis4untos-
F=#
+
> ; &=,
#
+
> ; &=,
=C , #
+
]
> ; &=,
=C , #
1
]
> G
G &=,
=#
1
, #
+
]
> ; F=#
1
> G &= #
1
E ,
#
+
>
Despe4ando-
&=#
1
E , #
+
> ; F=#
+
> C F=#
1
>
H> La funcin de distribucin es siempre continua por la derec9a, o
sea-
F=#> ; F=#
G
> ; F=lim =#G
>>
#
2
Es inmediata, !a que F=lim =#G
F=#> ; F=lim=#G
>> ; F=#
G
>
Nota- &or la i*quierda no tiene por qu ser continua.
1.4.1 FUNCIN DE DISTRIBUCIN DE UNA V.A. DISCRETA
i la v.a. es discreta, la funcin de distribucin es escalonada, !
los saltos del escalonamiento tendr"n un tamaIo i8ual a la
probabilidad del punto en que estemos, mantenindose constante
9asta el si8uiente punto de la variable.
E'E(&L)
ea un 4ue8o con H opciones, numeradas del 1 al H, con las
si8uientes probabilidades-
)pcin 1 CCCCCCCCCCCCCCCC & ; <,1
)pcin + CCCCCCCCCCCCCCCC & ; <,/
)pcin / CCCCCCCCCCCCCCCC & ; <,+
)pcin 0 CCCCCCCCCCCCCCCC & ; <,1
)pcin H CCCCCCCCCCCCCCCC & ; <,/
Creamos una v.a. , cu!os valores corresponden al valor que
puede tomar la opcin-
&=, ; 1> ; &= 1 > ; <,1
&=, ; +> ; &= + > ; <,/
&=, ; /> ; &= / > ; <,+
&=, ; 0> ; &= 0 > ; <,1
&=, ; H> ; &= H > ; <,/
La funcin de distribucin es F=#> ; &=, #> para #;1, +, /, 0, H
! tomar" los si8uientes valores-
F= 1 > ; &=, 1> ; <,1
F= + > ; &=, +> ; <,0
F= / > ; &=, /> ; <,J
F= 0 > ; &=, 0> ; <,K
F= H > ; &=, H> ; 1
u representacin 8r"fica es -
1.4.2 FUNCIN DE DISTRIBUCIN DE UNA V.A. CONTINUA
i la v.a. es continua, la funcin de distribucin F= # > es contiC
3
nua por la derec9a ! por la i*quierda.
E'E(&L)
upon8amos una m"quina que fabrica pie*as de una lon8itud
m"#ima de / cm. , pero no sabemos la lon8itud que tienen. &or tanto,
la lon8itud ser" la v.a. ,, de tipo continuo pues # L< , /
]
, de la
que suponemos que conocemos F= # >, siendo -
< si # ; <
F = # > ; #
+
A B si < E # /
1 si # M /
Evidentemente, &= , / > ; 1
Demostracin -
f t dt
x
( )
; L F= t >
]
; F=#> C F=C > ; F=#> C < ; F=#>
0> Dada una v.a. , con funcin de densidad f=#>, se cumple -
f x dx ( )
; 1
Fe"moslo -
f x dx ( )
+
d# ; 3
0
1
x
+
d# ; L #
/
] ; 1 C < ; 1
La representacin 8r"fica es -
La superficie entre la curva ! el e4e ), tiene valor 1 .
La probabilidad de que # pertene*ca a cierto intervalo est" en la
superficie 8enerada por la curva ! el e4e ),, ! las verticales de los
e#tremos del intervalo.
&or e4emplo, &=<.H E # E <.K> ; 3
0 5
0 7
x
.
.
+
d# ;L #
/ ]
; =<.K>
/
C
8
=<.H>
/
; ;<./0/ C <.1+H ; <.+1O
E'E(&L)
Dada la funcin de cuant:a &=,;i>;R i para i;1,+,/,...,+<, 9allar -
a> &=, ; 0>
b> &=/ , 1<>
c> &=,
+
1<<>
Desolucin -
Calculamos R para que sea funcin de cuant:a -
# , &=#> ; 1
R i ; 1 R i ; 1 R 1 G +< . +< ; 1 +1< R ; 1
+
R ; 1S
+1<
Lue8o &=, ; i> ; SiS
+1<
a> &=, ; 0> ; S0S
+1<
b> &=/ , 1<> ; &=, 1<> T &=, +> ; 1S i C 1 i ;
+1< +1<
; S1S . 1 G 1< . 1< C 1S . 1 G + . + ; SH+S
+1< + +1< + +1<
c> &=,
+
1<<> ; &=C1< , 1<> ; &=, 1<> ; S1S . i ; SHHS
+1< +1<
, <
1.. ESPERAN!A MATEMTICA
6ambin se le llama valor esperado de la distribucin. Es el valor
central sobre el que se concentra la distribucin de probabilidad. Es
seme4ante a la media de una distribucin de frecuencias.
Dada una v.a. ,, definimos su esperan*a como-
#
i
P &= #
i
> i si la v.a. es discreta
9
E = , > ;
# P f= # > d# si la v.a. es continua
irve para saber las posibles 8anancias o prdidas en los 4ue8os
de a*ar. e dice que un 4ue8o es 4usto cuando la esperan*a es cero.
E'E(&L).
ea una v.a. discreta de valores
} {
X = 1 2 3 4 , , ,
, siendo su funcin
de cuant:a
P x x ( ) . = 01
. )btener su esperan*a.
E X x P x
i i
i
( ) ( ) = =
=
3
1
4
E'E(&L)
ea una v.a. cont:nua X definida en el intervalo [ ] 2 4 ,
, cu!a
funcin de densidad es
f x
x
( ) =
6
Nallar su media.
E X x f x dx
x
dx ( ) ( ) . = = =
2
2
4
2
4
6
31
7 partir de la esperan*a de la v.a. ,, se puede obtener su
varian*a-
Far= , > ; E= ,
+
> C [ E= , > ]
+
E'E(&L)
Calcular la esperan*a ! la varian*a de una v.a. continua con
funcin de densidad -
S1S si # =<, 1>
2
f= # > ;
< si # =<, 1>
olucin -
E = , > ; # P f= # > d# ; S#S d# ; S1S
+ # /
E = ,
+
> ; #
+
P f= # > d# ; S#
+
S d# ; S1S
+ # H
Far = , > ; E = ,
+
> T L E = , > U
+
; S1S S S1S
+
; S0S
H / 0H
2.- MODELOS DE PROBABILIDAD
IN6D)DVCCIN
i un con4unto dado de variables aleatorias =distribuciones> tienen
10
sus funciones de cuant:a o de densidad con la misma estructura
funcional matem"tica, diremos que pertenecen a la misma familia
de distribuciones o al mismo modelo de probabilidad.
La estructura matem"tica depende de 1 m"s par"metros, !
se les llama par"metros de la distribucin.
&ara estudiar los tipos de modelos de distribucin utili*aremos
el llamado proceso e#perimental, que es el con4unto de
caracter:sticas que ri8en la reali*acin de un fenmeno aleatorio.
Vn proceso quedar" definido por una serie de caracter:sticas o
9iptesis. 7 partir de estas caracter:sticas, podremos estudiar !
determinar la estructura matem"tica de una distribucin.
2.1 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
2.1.1 DISTRIBUCIN DE BERNOUILLI
E#perimento -
Deali*ar una prueba con %nicamente dos resultados posibles,
7 =#ito> ! 7 =fracaso>.
Llamaremos p ; &=7> ! q ; 1 T p ; &=7>
Fariable -
, ; n$ de #itos r8 , ; . <, 1 2
e denota , @e=p>
e tiene -
p
#
=1 T p>
1C#
# ; <, 1
f=#> ;
< en otro caso
< si # E <
F=#> ; 1 C p si < # E 1
1 si # 1
E=,> ; <Pp G 1Pq ; p
Far=,> ; pP=1 T p> ; pPq
E'E(&L)
6irar una moneda =cara o cru*>
7probar o suspender un e#amen
Decibir o no una llamada
2.1.2 DISTRIBUCIN BINOMIAL
E#perimento -
n repeticiones independientes de un e#perimento @ernouilliW
es decir, e#perimentos con dos resultados posibles =#ito ! fracaso>
! probabilidades p ; &=#ito> ! q ; 1 T p ; &=fracaso> . Dic9as
probabilidades se mantienen constantes a lo lar8o de las n
11
repeticiones.
i 9a! e#traccin, debe reali*arse con reempla*amiento.
Fariable -
, ; n$ de #itos en las n pruebas r8=,> ; .<, 1, +, /,....2
e denota , @i=n, p>
e tiene -
p
#
=1 T p>
nC#
si # ; <, 1, +, ....., n
f=#> ;
< en el resto
F=#> ; p
#
P q
nC#
E=,> ; np
Far=,> ; np=1Cp> ; npq
E'E(&L)
i tiramos una moneda H veces, calcular la probabilidad de
obtener / caras.
olucin-
ea , ; n$ de caras, entonces , @i=H, <.H> , ! tenemos
que 9allar &=, ; />
&=, ; /> ; P =<.H>
/
P =1 T <.H>
HC/
; <.</1+H
En una poblacin, el /H X son demcratas. Ele8imos 1H perC
sonas. YCu"l es la probabilidad de que entre ellas 9a!a 1< demC
cratasZ Y[ de que el n%mero de demcratas sea menor que JZ Y[
de que sean una cantidad menor o i8ual que /Z
Fe"moslo-
i , ; n$ de demcratas, entonces , @i=1H, <./H>, ! nos
piden calcular &=, ; 1<>, &=, E J> ! &=, J>
&=, ; 1<> ; P =<./H>
1<
P =<.JH>
H
&=, E J> ; P =<./H>
\
P =<.JH>
1HC\
&=, /> ; P =<./H>
\
P =<.JH>
1HC\
6E)DE(7 DE 7DICIN
e dice que una distribucin verifica el 6eorema de 7dicin
para al8uno de sus par"metros, o que es reproductiva, cuando
dadas dos o m"s variables aleatorias independientes que si8an
todas ellas una distribucin de ese tipo con par"metros i8uales o
distintos, la v.a. suma de todas ellas si8ue tambin una distribucin
de ese tipo con par"metros la suma de los par"metros de cada una
12
de las variables ori8inales.
En particular, la distribucin binomial verifica el 6eorema de
7dicin para el par"metro n, debiendo ser el par"metro p de las
variables ori8inales el mismo.
,
1
@i=n
1
,p>, ,
+
@i=n
+
,p>,...., ,
m
@i=n
m
,p> independientes entre
ellas ,
i
@i=n
1
G n
+
G .... G n
m
, p>
2.1.3 DISTRIBUCIN "IPER#EOM$TRICA
E#perimento -
n repeticiones no independientes de un e#perimento con dos
resultados posibles = #ito ! fracaso > ! probabilidades p ; &=#ito>
! q ; &=fracaso> , que no se mantienen constantes a lo lar8o del
e#perimento . Equivale a un modelo de urnas sin reempla*amiento
=ser:a como una @ernouilli con probabilidades no constantes>
Fariable -
, ; n$ de #itos en las n pruebas r8 =,> ; . <, 1, +, ...2
e denota , N]=N, n, p> , siendo -
N ; n$ de elementos totales
n ; n$ de pruebas
p ; &=#ito>
e tiene -
f=#> ; # ; <, 1, +, ...., n
F=#> ;
E=,> ; nPp
Far=,> ; npq N T n
N T 1
E'E(&L)
En una reunin 9a! J mu4eres ! B 9ombres. e eli8en al
a*ar 0 personas. Nallar las probabilidades de que entre stas
9a!a 1$ + mu4eres, lue8o que el n$ de mu4eres sea menor que /, !
por %ltimo que 9a!a como muc9o una mu4er.
Desolucin-
ea , ; n$ de mu4eres, entonces , N]=1H, 0, <.0>
&=, ; +> ;
13
&=, E /> ;
&=, 1> ;
2.1.4 DISTRIBUCIN DE POISSON
E#perimento -
)bservar un cierto fenmeno f:sico de naturale*a aleatoria
durante un cierto periodo de tiempo o una re8in del espacio, con
las si8uientes caracter:sticas -
a) el n$ de ocurrencias en dos intervalos dis4untos es
independiente
b) la probabilidad de que 9a!a una ocurrencia en un intervalo
pequeIo es proporcional a la lon8itud del intervalo
c) la probabilidad de que 9a!a dos o m"s ocurrencias en un
intervalo pequeIo debe ser de menor orden que la
probabilidad de que 9a!a slo una ocurrencia
Fariable -
, ; n$ de ocurrencias en un intervalo de tiempo en un intervaC
lo de tiempo o espacio r8=,> ; .<, 1, +, /, ....2
e denota , &o=>
El par"metro que distin8ue una distribucin de otra suele
ser una especie de 3intensidad5, ! se corresponde con la media de
la distribucin.
e tiene -
e
C
P
#
# ; <, 1, +, ......
#^
f=#> ;
0 en otro caso
F=#> ; e
C
P
#
#^
E=,> ;
Far=,> ;
E'E(&L)
upon8amos que la v.a. , ; 3n$ de accidentes en una carreC
tera en un mes 3 si8ue una distribucin &oisson de par"metro J,
, &o=J>. YCu"l es la probabilidad de que en un mes 9a!an meC
nos de 0 accidentesZ
Nos piden &=, E 0> ; e
CJ
P J
#
#^
14
ea [ ; 3n$ de llamadas en una centralita en H minutos5 . i
se reciben +< llamadas en 1< minutos, calcular cmo se
distribu!e la v.a. [. )btener &=[ ; J> ! &=+ E [ K>
6E)DE(7 DE 7DICIN
La distribucin de &oisson verifica el 6eorema de 7dicin para
el par"metro .
,
1
&o=
1
>, ,
+
&o=
+
>, ...., ,
m
&o=
m
> , independientes
entre ellas ,
i
&o=
1
G
+
G ..... G
m
>
7&D),I(7CIN DE L7 &)I)N &)D L7 @IN)(I7L
i , tiene una distribucin binomial con n 8rande ! p
pequeIo =n , p <>, , se puede apro#imar por una
distribucin de &oisson de par"metro ; np. &ara que sea buena
la apro#imacin , np E H. Vtili*aremos la apro#imacin cuando el
valor n no est en tablas ! el valor de p sea pequeIo.
2. 2 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
2. 2. 1 DISTRIBUCIN UNIFORME
E#perimento -
Cualquier e#perimento cu!o resultado sea un n$ en el interC
valo La, bU de manera que cualquiera de los infinitos puntos del
intervalo ten8a la misma probabilidad de ser ele8ido. Es decir, la
probabilidad est" uniformemente repartida por todo el intervalo.
Fariable -
, ; valor obtenido r8=,> ; La, bU
e denota , V=a, b>
e tiene -
S1SS si a # b
b C a
f=#> ;
0 en otro caso
F=#> ; S 1SS d#
b T a
E=,> ; b G a
Far=,> ; =b T a>
+
1+
E'E(&L)
upon8amos que la concentracin de un cierto contamiC
nante se encuentra distribuida V=0, +<>. i se considera como
t#ica una concentracin de 1J m"s, Ycu"l es la probabilidad de
15
que una muestra de concentracin de ese contaminante sea
t#icaZ
e8%n los datos -
SS1SS 0 # +<
+< T 0
f=#> ;
0 en el resto
Feremos la resolucin de dos maneras -
1_ forma -
F=#> ; S1S d# ; # T 0
16 1J
&=, 1J> ; 1 T &=, E 1J> ; 1 T F=1J> ; 1 T 1J T 0 ; <.+H
1J
+_ forma -
&=, 1J> ; S1S d# ; +< T 1J ; <.+H
16 1J
2. 2. 2 DISTRIBUCIN E%PONENCIAL
E#perimento -
&roceso e#perimental con las mismas caracter:sticas que
estudi"bamos al definir el modelo de &oisson.
Fariable -
, ; 3tiempo de espera 9asta que se produce el primer
fenmeno5,o 3tiempo de espera entre dos fenmenos consecutivos5
r8=,> ; L<, GL e denota , E#=>
e tiene -
f=#> ; Pe
C#
# <
F=#> ; &=, #> ; Pe
C#
d# ; 1 C e
C#
E=,> ; 1
Far=,> ; S1S
+
FVNCIN DE V&EDFIFENCI7
i el si8nificado de la v.a. es 3tiempo que transcurre 9asta
que se produce el primer fallo5, entonces F=#> ; 1 T e
C#
calcular"
la probabilidad de que el fallo ocurra antes o en el instante # .
i consideramos la funcin =#> ; 1 T F=#> ; &=, M #> ; e
C#
=funcin de supervivencia> ser" la probabilidad de que el fallo
transcurra despus del tiempo #, por tanto, ser" la probabilidad de
que el elemento considerado 3sobreviva5 al tiempo # .
16
&D)&IED7D
La distribucin e#ponencial no tiene memoria
&=,MsGt A ,Ms> ; &=, M sGt> ; &=, M t>
&=, M s>
E'E(&L)
ea , una v.a. E#=H>. Calcular &= , ; H.H >
&=, ; H.H> ; H P e
CH P H.H
2. 2. 3 DISTRIBUCIN NORMAL . TEOREMA CENTRAL DEL
LMITE .
La distribucin normal es la m"s importante de todas las
distribuciones de probabilidad. Na! tres ra*ones principales -
a> por sus propiedades matem"ticas. En la parte de Inferencia,
podremos conocer ! traba4ar con la distribucin de los
estimadores si vienen de una poblacin normal .
b> por su aplicacin. Vn 8ran n%mero de fenmenos reales se
pueden modeli*ar con esta distribucin =como la distribucin
de alturas ! pesos de una poblacin 9omo8nea de
personas>
c> por el 6eorema Central del L:mite. La distribucin normal
sirve para apro#imar la suma ! la media de cualquier otro
tipo de distribuciones.
DEFINICIN
Vna v.a. , tiene una distribucin normal con par"metros
!
+
, =C E E G ,
+
M <>, si , tiene una distribucin continua
cu!a funcin de densidad es -
f=#> ; SS1SS e
C1 P =#C>S
# D
+
+
e denota , N=,
+
> , ! se tiene -
F=#> ; S1SS e
C1 P =#C>S
# D
+
+
E=,> ;
Far=,> ;
+
La representacin 8r"fica de la funcin de densidad es
simtrica respecto a la media ! la media es tambin moda !
mediana de la distribucin. 6iene forma de campanaW la densidad
decrece a ambos lados de m"s o menos r"pido se8%n el valor
de
+
.
6E)DE(7 =de las transformaciones lineales>
17
ea , N=,
+
>, ! sea [ ; a , G b, siendo a ! b
constantes. Entonces [ N=aGb, a
+
+
>
C)D)L7DI)
ea , N=,
+
> ,entonces la nueva v.a. ` ; , C N=<,1>
DISTRIBUCIN NORMAL TIPIFICADA
La distribucin normal con media < ! varian*a 1 se
denomina distribucin normal tipificada, ` N=<,1>. La funcin de
distribucin de esta v.a. se denota por , con =*> ; &=` *>, ! se
utili*a para el c"lculo de probabilidades con tablas, pues las
probabilidades acumuladas para la v.a. ` est"n tabuladas.
&or ser la distribucin simtrica se cumple -
&=` *> ; &=` M C*> ; 1 C &=` C*>
7s:, =C*> ; 1 C =*>
E'E(&L)
ea ` N=<,1> . Calcular - &=` +>, &=` M 1.H> ,
&=1 ` +.1> , &=` C<.JH>
&=` +> ; =+> ; <.BKK/
&=` M 1.H> ; 1 C &=` 1.H> ; 1 C =1.H> ; 1 C <.B//+ ; <.<JJO
&=1 ` +.1> ; &=` +.1> C &=` 1> ; =+.1> C =1> ;
<.BO+1 C <.O01/ ; <.10<O
&=` C<.JH> ; =C<.JH> ; 1 C =<.JH> ; 1 C <.K0++ ; <.+HKO
E'E(&L)
ea , N=1<,+H>. Calcular - &=, M 1H> , &=, 1+>, !
&=1< E , 1J>
&rimero 9a! que tipificar la v. a. ,. Es decir, convertirla en
una v.a. de media < ! varian*a 1.
&=, M 1H> ; 1 C &=, 1H> ; 1 C & , C 1< 1H C 1<
+H +H
79ora ` ; , C 1< N=<,1> , ! por tanto, la probabilidad
+H
anterior se puede escribir 1 C &=` 1> ; 1 C =1> ; 1 C <.O01/ ; ;
<.1HOK
7n"lo8amente se obtiene -
&=, 1+> ; <.JHH0
&=1< E , 1J> ; <./O0B
6E)DE(7 DE 7DICIN
ean ,
1
, ,
+
, ....., ,
n
n v.a.as independientes, tales que
cada una de ellas se distribu!e ,
i
N=
i
,
i
+
> . Entonces -
,
1
G ,
+
G ..... G ,
n
N=
1
G
+
G .... G
n
,
1
+
G
+
+
G .... G
n
+
>
C)D)L7DI)
18
ean ,
1
, ,
+
, ....., ,
n
n v.a.as independientes, tales que
cada una de ellas se distribu!e ,
i
N=
i
,
i
+
> . Consideramos a
1
,
a
+
, ......, a
n
, b constantes con al menos al8%n a
i
<.
Entonces la v.a. [ ; a
1
,
1
G a
+
,
+
G ..... G
a
n
,
n
G b se
distribu!e N=
[
,
[
+
> , donde los par"metros son -
[
; a
1
1
G a
+
+
G ..... G a
n
n
G b ,
[
+
; a
1
+
1
+
G a
+
+
+
+
G .... G a
n
+
n
+
>
6E)DE(7 CEN6D7L DEL Lb(I6E
ean ,
1
, ,
+
, ....., ,
n
n v.a.as independientes ! con la misma
distribucin de media ! varian*a
+
, entonces para # fi4o se
tiene -
Interpretacin -
i se selecciona una muestra aleatoria 8rande de cualquier
distribucin con media ! varian*a
+
, independientemente de si
la distribucin es discreta o continua, entonces la distribucin de la
v.a. ser" apro#imadamente una normal tipificada.
Esto equivale a que -
a> ,
n
tiene apro#imadamente una distribucin N=,
+
>
b> ,
1
G ,
+
G ..... G ,
n
se distribu!e apro#imadamente como
N=n , n
+
>
&or consi8uiente, podemos &'()*+,&( -&. /+.0(+123+)45.
/+.3(50&. B+4),+&- 6 P)+..)4 & 24& 4)(,&- de la si8uiente
manera -
i , @i=n, p> con n , p alrededor de <.H, entonces
, C np N=<,1>
i [ &o=> con entonces [ C N=<,1>
En ambos casos se puede aplicar para valores de n !
que no estn en las tablas correspondientes.
19