Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 103 6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE 6.1 – Suma de variables aleatorias independientes Cuando se estudiaron las variables aleatorias bidimensionales se habló de una función de variable aleatoria bidimensional. En particular se nombró la suma de n variables aleatorias, pero no se dijo nada sobre la distribución de esa v.a. suma. Es a menudo importante saber cuál es la distribución de una suma de variables aleatorias indepen- dientes. Consideramos algunos ejemplos en el caso discreto 1- Suma de variables aleatorias independientes con distribución Poisson )(~ ntesindependie Yy ; )(~ ; )(~ 2121 λλλλ ++⇒ PYXXPYPX Dem.) Consideramos el evento { }nYX =+ como unión de eventos excluyentes { } nkknYkX ≤≤−== 0 , , entonces ( ) = − =−===−====+ − − = − == ∑∑∑ !! )()(),()( 2 0 1 00 21 kn e k eknYPkXPknYkXPnYXP knn k kn k n k λλ λλ X e Y independientes ( ) ( ) ( )nkn n k k n k knk n e knk n n e knk e 21 )( 2 0 1 )( 0 21)( !!! ! !!! 2121 21 λλλλ λλ λλλλλλ += − = − = +− − = +− = − +− ∑∑ Binomio de Newton O sea X+Y tiene distribución Poisson con parámetro 21 λλ + 2- Suma de variables aleatorias binomiales independientes ),(~ ntesindependie Yy ; ),(~ ; ),(~ 2121 pnnBYXXpnBYpnBX ++⇒ Dem.) Nuevamente consideramos el evento { }kYX =+ como unión de eventos excluyentes { } 10 , niikYiX ≤≤−== , entonces =− − − =−===−====+ +−−− === ∑∑∑ iknikini n k n i n i pp ik n pp i n ikYPiXPikYiXPkYXP 21 111 )1()1()()(),()( 2 0 1 00 X e Y independientes − −= ∑ = −+ ik n i n pp n i knnk 2 0 1 1 21)1( En la expresión anterior si rj > entonces 0= j r Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 104 Por último usamos la siguiente identidad combinatoria ∑ = + = − 1 0 2121 n i k nn ik n i n Y entonces knnk pp k nn kYXP −+− + ==+ 21)1()( 21 O sea X+Y tiene distribución binomial con parámetros 21 nn + y p Observación: en los dos casos anteriores se puede generalizar el resultado a n variables aleatorias independientes, usando el principio de inducción completa, es decir 1- Si nXXX ,...,, 21 son n variables aleatorias independientes donde )(~ ii PX λ para todo ni ,...,2,1= entonces )(~ 00 ∑∑ == n i i n i i PX λ 2- Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ pnBX ii para todo ni ,...,2,1= entonces ),(~ 00 pnBX n i i n i i ∑∑ == Suma de variables aleatorias normales independientes Si X e Y son dos variables aleatorias continuas independientes con densidades g(x) y h(y) respecti- vamente se puede probar (no lo demostraremos aquí) que la v.a. YXZ += tiene densidad dada por ∫ ∞ ∞− + −= dyyhyzgzf YX )()()( Usando esto se puede demostrar el siguiente importante resultado: Por inducción completa se puede generalizar este resultado a n variables: De lo anterior y del hecho que ( ) ),~ ,~ 222 σµσµ abN(abaXNX ++⇒ tenemos: Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ 2 iii NX σµ para todo ni ,...,2,1= entonces ),(~ 1 2 00 ∑∑∑ === n i i n i i n i i NX σµ Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ 2 iii NX σµ para todo ni ,...,2,1= entonces ),(~ 1 22 00 ∑∑∑ === n i ii n i ii n i ii aaNXa σµ donde naaa ,...,, 21 son números reales Si X e Y son variables aleatorias independientes donde ( ) ,~ 211 σµNX y ( ) ,~ 222 σµNY enton- ces ( ) ,~ 222121 σσµµ +++ NYX Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 105 Se dice que ∑ = n i iiXa 0 es una combinación lineal de variables aleatorias. Ejemplos: 1- La envoltura de plástico para un disco magnético está formada por dos hojas. El espesor de cada una tiene una distribución normal con media 1.5 milímetros y desviación estándar de 0.1 milí- metros. Las hojas son independientes. a) Determine la media y la desviación estándar del espesor total de las dos hojas. b) ¿Cuál es la probabilidad de que el espesor total sea mayor que 3.3 milímetros? Solución: Sean las variables aleatorias X: “espesor de la hoja 1” e Y: “espesor de la hoja 2” Entonces )1.0,5.1~ 2N(X ; )1.0,5.1~ 2N(Y y X e Y independientes a) Si definimos la v.a. Z: “espesor total de las dos hojas” , entonces YXZ += Por lo tanto )1.01.0 ,5.15.1~ 22 ++N(Z es decir )02.0 ,3~ N(Z En consecuencia 3)( =ZE , 02.0)( == ZVZσ b) Se pide calcular )3.3( >ZP ( ) 017.0983.0112132.21 02.0 33.3 1 02.0 33.3 02.0 3 )3.3( =−=Φ−= − Φ−= − > − => Z PZP 2-Tengo tres mensajes que atender en el edificio administrativo. Sea Xi : “ el tiempo que toma el i- ésimo 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 distribui- das, con las siguientes medias y desviaciones estándar: 3 ,12 ,2 ,8 ,1 ,5 ,4 min,15 44332211 ======== σµσµσµσµ 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 qué hora t debo escribir si deseo que la probabilidad de mi llegada después de t sea 0.01? Solución: Definimos la v.a. Z: “tiempo transcurrido desde que salgo de mi oficina hasta que re- greso”, entonces 4321 XXXXT +++= Por lo tanto ∑∑ == 4 1 2 4 1 ,~ i i i iNT σµ , y se pide hallar t tal que 01.0)( => tTP 50128515 4 1 =+++=∑ =i iµ y 303214 222 4 1 22 =+++=∑ =i iσ Entonces 01.0 30 50 1)( = − Φ−=> t tTP , es decir 99.0 30 50 = − Φ t Buscando en la tabla de la normal 7619.62503033.2 33.2 30 50 =+×=⇒= − t t 3- El ancho del marco de una puerta tiene una distribución normal con media 24 pulgadas y des- viación estándar de 1/8 de pulgada. El ancho de la puerta tiene una distribución normal con me- dia 23.875 de pulgadas y desviación estándar de 1/16 de pulgadas. Suponer independencia. a) Determine la distribución, la media y la desviación estándar de la diferencia entre el ancho del marco y de la puerta. Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 106 b) ¿Cuál es la probabilidad de que la diferencia entre el ancho del marco y de la puerta sea ma- yor que ¼ de pulgada?. c) ¿Cuál es la probabilidad de que la puerta no quepa en el marco?. Solución: Sean las variables aleatorias X: “ancho del marco de la puerta en pulgadas” Y: “ancho de la puerta en pulgadas”Entonces )1/8)( ,24~ 2N(X , )1/16)( ,875.23~ 2N(Y , X e Y independientes a) Se pide la distribución de X-Y , )( YXE − , )( YXVYX −=−σ 125.0875.2324)()()( =−=−=− YEXEYXE 16 5 256 5 16 1 8 1 )()()( 22 =∴= + =+=− −YXYVXVYXV σ Por lo tanto − 2 16 5 ,125.0~ NYX b) Se pide la probabilidad )4/1( >−YXP 1867.08133.01)8944.0(1 5 52 1 16 5 125.025.0 1)4/1( =−=Φ−= Φ−= − Φ−=>−YXP c) Si la puerta no entra en el marco entonces se da el evento { }YX < o equivalentemente { }0<−YX , por lo tanto 1867.0 5 52 1 5 52 16 5 125.00 )0( = Φ−= −Φ= − Φ=<−YXP 4- Supongamos que las variables aleatorias X e Y denotan la longitud y el ancho en cm, respecti- vamente, de una pieza. Supongamos además que X e Y son independientes y que X ~ N(2 , 0.1 2 ) , Y ~ N(5 , 0.2 2 ). Entonces Z = 2X + 2Y es una v.a. que representa el perímetro de la pieza. Calcular la probabilidad de que el perímetro sea mayor que 14.5 cm. Solución: tenemos que ( )2222 2.021.02 ,5222 ~ ×+××+×NZ , o sea ( )0.2 ,14 ~ NZ La probabilidad pedida es )5.14( >ZP , entonces ( ) 119.08810.011180.11 2 5 1 2.0 145.14 1)5.14( =−=Φ−= Φ−= − Φ−=>ZP 5- Si se aplican dos cargas aleatorias 21 y XX a una viga voladiza como se muestra en la figura si- guiente, el momento de flexión en 0 debido a las cargas es 2211 XaXa + . a) Suponga que 21 y XX son v.a. independientes con medias 2 y 4 KLbs respectivamente, y desviaciones estándar 0.5 y 1.0 KLbs, respectivamente. Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 107 Si 51 =a pies y 102 =a pies, ¿cuál es el momento de flexión esperado y cuál es la desviación estándar del momento de flexión? b) Si 21 y XX están normalmente distribuidas, ¿cuál es la probabilidad de que el momento de flexión supere 75 KLbs? Solución: Sea la v.a. Z: “momento de flexión en 0”, entonces 21 105 XXZ += Por lo tanto a) 5041025)(10)(5)( 21 =×+×=+= XEXEZE 4 65 4 65 11025.0251105.05)( 2222 =∴=×+×=×+×= ZZV σ b) Si 21 y XX están normalmente distribuidas, entonces 4 65 ,50 ~ NZ Por lo tanto ( ) 01120.61 13 6510 1 4 65 5075 1)75( =−≈Φ−= Φ−= − Φ−=>ZP Promedio de variables aleatorias normales independientes Dem.) Notar que n X X n i i∑ == 1 es un caso particular de combinación lineal de variables aleatorias donde n ai 1 = para todo ni ,...,2,1= Además en este caso µµ =i y 22 σσ =i para todo ni ,...,2,1= Por lo tanto, X tiene distribución normal con esperanza µµµµ ===∑∑ == n i n i i n nnn 11 111 y varian- za n n nnn n i i n i 2 2 2 2 2 1 2 2 1 111 σ σσσ = = = ∑∑ == Es decir, n NX 2 ,~ σ µ Observación: a X se lo llama promedio muestral o media muestral Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ 2σµNX i para todo ni ,...,2,1= entonces la v.a. n X X n i i∑ == 1 tiene distribución normal con media µ y varianza n 2σ Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 108 Ejemplos: 1) El diámetro interno de un anillo de pistón seleccionado al azar es una v.a. con distribución nor- mal con media 12 cm y desviación estándar de 0.04 cm. a) Si X es el diámetro promedio en una muestra de 16=n anillos, calcule )01.1299.11( ≤≤ XP b) ¿Qué tan probable es que el diámetro promedio exceda de 12.01 cuando 25=n ? Solución: a) Sean las variables aleatorias :iX “diámetro del anillo i” 16,...,2,1=i Entonces ( )04.0 ,12~ 2NX i para cada i. Por lo tanto 16 04.0,12~ 2 NX . Entonces ( ) ( ) 6826.018413.02 1)1(211 16 04.0 2 1299.11 16 04.0 2 1201.12 ) 16 04.0 2 1201.12 16 04.0 2 12 16 04.0 2 1299.11 ()01.1299.11( =−×= =−=−−= −− −= =−≤−≤−=≤≤ φφφφφ X PXP b) En este caso 25 04.0,12~ 2 NX , entonces 1056.08944.01)25.1(1 25 04.0 1201.12 1)01.12( 2 =−=−= −−=> φφXP 2) Una máquina embotelladora puede regularse de tal manera que llene un promedio de µ onzas por botella. Se ha observado que la cantidad de contenido que suministra la máquina presenta una distribución normal con 1=σ onza. De la producción de la máquina un cierto día, se obtiene una muestra de 9 botellas llenas (todas fueron llenadas con las mismas posiciones del control operati- vo) y se miden las onzas del contenido de cada una. a) Determinar la probabilidad de que la media muestral se encuentre a lo más a 0.3 onzas de la media real µ para tales posiciones de control b) ¿Cuántas observaciones deben incluirse en la muestra si se desea que la media muestral esté a lo más a 0.3 onzas de µ con una probabilidad de 0.95? Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 109 Solución: a) Sean las variables aleatorias :iX “contenido en onzas de la botella i” 9,...,2,1=i Entonces ( )1,~ µNX i para cada i. Por lo tanto 9 1 ,~ µNX . Se desea calcular 6318.01)9.0(2 )9.0()9.0(9.09.0 3.03.0 3.03.0 )3.03.0()3.0( =−Φ= =−Φ−Φ= ≤ − ≤−= ≤ − ≤−= = ≤ − ≤−=≤−≤−=≤− n X P nn X n P nn X n PXPXP σ µ σσ µ σ σσ µ σ µµ b) Ahora se pretende que 95.0)3.03.0()3.0( =≤−≤−=≤− µµ XPXP Entonces 95.03.0 1 3.0 3.03.0 )3.0( = ≤ − ≤−= ≤ − ≤ − =≤− n n X nP nn X n PXP µ σσ µ σ µ Mediante la tabla de la acumulada de la normal estándar se tiene que ( ) ( ) ( ) 96.13.0 0.9753.0 95.013.023.0 1 3.0 =⇒=Φ⇒=−Φ= ≤ − ≤− nnnn n X nP µ O sea 68.42 3.0 96.1 2 = ≈n Si tomamos 43=n , entonces )3.0( ≤− µXP será un poco mayor que 0.95 6.2 - Teorema central del límite Acabamos de ver que la suma de un número finito n de variables aleatorias independientes que están normalmente distribuidas es una variable aleatoria también normalmente distribuida. Esta propiedad reproductiva no es exclusiva de la distribución 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 distribución normal el lugar privilegiado que ocupa entre todas las distribuciones es el hecho de que la suma de un número muy grande, rigurosamente un número infinito numerable, de variables aleatorias independientes con distribuciones arbitrarias (no necesariamente normales) es una variable aleatoria que tiene, aproximadamente, una distribu- ción normal. Este es, esencialmente, el contenido del Parte 1 – Suma de variables aleatorias y Teorema central del límiteProf. María B. Pintarelli 110 Dem.) sin demostración Observaciones: 1- Notar que ( ) ( ) µnXEXESE n i i n i in == = ∑∑ == 11 y ( ) ( ) 2 11 σnXVXVSV n i i n i in == = ∑∑ == Por lo tanto 2σ µ n nS Z nn − = es la v.a. nS estandarizada 2- Notar que − = ≤ − = ≤ − n X Pz n n n nS Pz n nS P n n σ µ σ µ σ µ 22 , por lo tanto también se puede enunciar el Teorema central del límite de la siguiente forma Donde n X Z n σ µ− = es el promedio muestral estandarizado 3- Aunque en muchos casos el T.C.L. funciona bien para valores de n pequeños , en particular donde la población es continua y simétrica, en otras situaciones se requieren valores de n mas grandes, dependiendo de la forma de la distribución de las iX . En muchos casos de interés prácti- co, si 30≥n , la aproximación normal será satisfactoria sin importar cómo sea la forma de la dis- tribución de las iX . Si 30<n , el T.C.L. funciona si la distribución de las iX no está muy alejada de una distribución normal 4- Para interpretar el significado del T.C.L., se generan (por computadora) n valores de una v.a. exponencial con parámetro 5.0=λ , 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 . Teorema central del límite (T.C.L.): Sean nX,...,X,X 21 variables aleatorias independientes con ( ) µ=iXE y ( ) 2σ=iXV para todo n,...,,i 21= , es decir independientes idénticamente distribuidas Sea la v.a. ∑ = = n i in XS 1 y sea 2σ µ n nS Z nn − = . Entonces ( ) ( )zzZPlim n n Φ=≤ ∞→ , esto es ∫ ∞− − ∞→ = ≤ − z xn n dxez n nS P 2 2 2 2 1 lim πσ µ Sean nX,...,X,X 21 variables aleatorias independientes con ( ) µ=iXE y ( ) 2σ=iXV para todo n,...,,i 21= , es decir independientes idénticamente distribuidas Sea la v.a. promedio muestral ∑ = = n i iX n X 1 1 y sea n X Z n σ µ− = . Entonces ( ) ( )zzZPlim n n Φ=≤ ∞→ , esto es ∫ ∞− − ∞→ = ≤ − z x n dxez n X P 2 2 2 1 lim πσ µ Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 111 Hacemos un histograma de frecuencias de X , esto es, tomamos un intervalo ),( ba 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 obteniéndose los gráficos siguientes que se pueden considerar una aproximación a la verdadera distribución de X . Se observa que a medida que aumenta el valor de n los gráficos se van haciendo más simétricos, pareciéndose a la gráfica de una distribución normal. Ejemplos: 1- Supóngase que 30 instrumentos electrónicos 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. Supóngase que el tiempo de falla de Di es una v.a. distribuida exponencialmente con parámetro λ = 0.1 por hora. Sea T el tiempo total de operación de los 30 instrumentos. ¿Cuál es la probabilidad de que T exceda 350 horas? Solución: Si iX : “tiempo de falla del instrumento iD ” 30,...,2,1=i Entonces )1.0(~ ExpX i para 30,...,2,1=i El tiempo total de operación de los 30 instrumentos es ∑ = = 30 1i iXT , donde 300 1.0 1 30)(30)( 30 1 =×=×= = ∑ = i i i XEXETE 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 50 100 150 12 34 567 891011121314151617181920212223242526272829303132 20 40 60 80 1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829 10 20 30 40 50 1 2 3 4 5 6 7 8 9 10111213141516171819202122 10 20 30 40 n=2 n = 5 n = 15 n = 30 Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 112 3000 1.0 1 30)(30)( 2 30 1 =×=×= = ∑ = i i i XVXVTV Entonces por T.C.L. N(0,1)~ 3000 300−T aproximadamente pues 30=n La probabilidad pedida es ( ) 18141.081859.019128.01 3000 300350 1 3000 300350 3000 300 )350( =−=Φ−= − Φ−≈ − > − => T PTP T.C.L. 2- Suponga que el consumo de calorías por día de una determinada persona es una v.a. con media 3000 calorías y desviación estándar de 230 calorías. ¿Cuál es la probabilidad de que el promedio de consumo de calorías diario de dicha persona en el siguiente año (365 días) sea entre 2959 y 3050? Solución: Definimos las variables aleatorias iX : “cantidad de calorías que una persona consume en el día i” 365,...,2,1=i Se sabe que 3000)( =iXE y 2230)( =iXV Si ∑ = = 365 1365 1 i iXX entonces 3000)( =XE y 365 230 )( 22 == n XV σ La probabilidad pedida es ( ) ( ) ( ) 10140.315.4 365 230 30002959 365 230 30003050 365 230 30003050 365 230 3000 365 230 30002959 30502959 =−≈−Φ−Φ= − Φ− − Φ≈ ≈ − ≤ − ≤ − =≤≤ X PXP T.C.L. Aplicaciones del Teorema central del límite Aproximación normal a la distribución binomial El Teorema central del límite se puede utilizar para aproximar las probabilidades de algunas varia- bles aleatorias discretas cuando es difícil calcular las probabilidades exactas para valores grandes de los parámetros. Supongamos que X tiene una distribución binomial con parámetros n y p. Para calcular )( kXP ≤ debemos hacer la suma ∑ = ==≤ k i iXPkXP 0 )()( o recurrir a las tablas de la F.d.a. , pero para valo- res de n grandes no existen tablas, por lo tanto habría que hacer el cálculo en forma directa y mu- chas veces es laborioso. Como una opción podemos considerar a X como suma de variables aleatorias más simples, especí- ficamente, si definimos Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 113 − = contrariocaso éxitoocurrederepeticiónésimaílaensi X i 0 1 ε ni ,...,2,1= entonces cada iX se la puede considerar ),1( pB , y además nXXX ,...,, 21 son independientes Podemos escribir ∑ = =+++= n i in XXXXX 1 21 ... y si n es grande entonces X tendrá aproxima- damente una distribución normal con parámetros np y )1( pnp − , es decir ( ) ( )1,0 1. . 2 N ppn pnX n nX Z n ≈ − − = − = σ µ si n es lo suficientemente grande Observaciones: 1- La aproximación normal a la distribución binomial funciona bien aun cuando n no sea muy grande si p no está demasiado cerca de cero o de uno. En particular la aproximación normal a la binomial es buena si n es grande , 5>np y 5)1( >− pn , pero es más efectivo aplicar esta aproxi- mación cuando 10>np y 10)1( >− pn 2- Corrección por continuidad. Acabamos de ver que si X∼B(n,p) entonces, para n suficientemente grande, podemos considerar que aproximadamente es X∼ ( )[ ]pp.n,p.nN −1 . El problema que surge de inmediato si deseo cal- cular, por ejemplo, la probabilidad de que kX = (con k alguno de los valores posibles 0,1,2,…,n) es que la binomial es una distribución discreta y tiene sentido calcular probabilidades como ( )kXP = mientras que la normal es una distribución continua y, en consecuencia, ( ) 0== kXP puesto que para una variable aleatoria continua la probabilidad de que éstatome un valor aislado es cero. Esto se resuelve si se considera ( ) +≤≤−≈= 2 1 2 1 kXkPkXP También se puede usar esta corrección para mejorar la aproximación en otros casos, específica- mente en lugar de )( kXP ≤ calculamos +≤≈≤ 2 1 )( kXPkXP Y en lugar de −≥≈≥ 2 1 )( kXPkXP En los gráficos siguientes se muestra para diferentes valores de n y p cómo aproxima la distribu- ción ))1( ,( pnpnpN − a la distribución ) ,( pnB 5 10 15 20 25 0.025 0.05 0.075 0.1 0.125 0.15 0.175 2 4 6 8 10 12 14 0.05 0.1 0.15 0.2 n = 25 p = 0.7 n = 15 p = 0.5 Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 114 5 10 15 20 0.05 0.1 0.15 0.2 0.25 0.3 0.35 50 60 70 80 90 100 0.02 0.04 0.06 0.08 20 40 60 80 100 120 140 0.02 0.04 0.06 0.08 0.1 2 4 6 8 10 0.1 0.2 0.3 0.4 Ejemplos: 1- Sea X∼ B(25,0.4). Hallar las probabilidades exactas de que 8≤X y 8=X y comparar estos resultados con los valores correspondientes encontrados por la aproximación normal. Solución: De la tabla de la F.d.a. de la binomial encontramos 274.0)8( =≤XP Y 120.0154.0274.0)7()8()8( =−=≤−≤== XPXPXP Ahora usamos la aproximación normal ( ) 2709.061.0 6.04.025 105.8 )1( )5.8()8( =−Φ≈ ×× − ≤ − − =≤≈≤ pnp npX PXPXP corrección por continuidad Observar que el valor aproximado está muy cercano al valor exacto para 274.0)8( =≤XP ( ) 1170.01593.02709.0 61.0 6 10 02.1 6 105.8 6 10 6 105.7 5.85.7)8( =−= = −≤ − ≤−= − ≤ − ≤ − =≤≤≈= X P X PXPXP Nuevamente este valor aproximado está muy cerca del valor real de 120.0)8( ==XP n =15 p = 0.9 n = 100 p = 0.7 n = 150 p = 0.1 n = 10 p = 0.1 Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 115 2- Suponga que el 10% de todos los ejes de acero producidos por cierto proceso están 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 número entre ellos que estén fuera de especificaciones y se puedan volver a trabajar. ¿Cuál es la probabilidad (aproximada) de que X sea a) a lo sumo 30? b) menos de 30? c) entre 15 y 25 (inclusive)? Solución: Sea la v.a. X: “número de ejes fuera de especificaciones” Entonces )1.0,200(~ BX , además 5201.0200 >=×=np y 5180)1.01(200)1( >=−×=− pn Por lo tanto podemos aplicar la aproximación normal a la binomial a) la probabilidad pedida es )30( ≤XP ( ) 993244.0474.2 18 205.30 18 205.30 )1( )5.30()30( =Φ= − Φ≈ − ≤ − − =≤≈≤ pnp npX PXPXP b) La probabilidad pedida es )30( <XP Al ser X una v.a. discreta con distribución binomial )29()30( ≤=< XPXP ( ) 98745.02391.2 18 205.29 )5.29()29( =Φ= − Φ≈≤≈≤ XPXP c) ( ) ( ) ( ) ( ) ( ) 80294.0190147.0212963.122963.12963.1 18 205.14 18 205.25 5.255.142515 =−×=−Φ=−Φ−Φ= = − Φ− − Φ≈≤≤≈≤≤ XPXP 3- El gerente de un supermercado desea recabar información sobre la proporción de clientes a los que no les agrada una nueva política respecto de la aceptación de cheques. ¿Cuántos clientes ten- dría que incluir en una muestra si desea que la fracción de la muestra se desvíe a lo mas en 0.15 de la verdadera fracción, con probabilidad de 0.98?. Solución: Sea X: “número de clientes a los que no les agrada la nueva política de aceptación de cheques” Entonces ),(~ pnBX donde p es desconocido y es la verdadera proporción de clientes a los que no les agrada la nueva política de aceptación de cheques. El gerente tomará una muestra de n clien- tes para “estimar” p con n X X = ya que n X X = es la proporción de clientes a los que no les agrada la nueva política de aceptación de cheques en la muestra de n clientes. Si no se toman a todos los clientes, entonces n X X = no será igual a p. La pregunta es cuál debe ser n para que n X X = se aleje del verdadero p en menos de 0.15 con probabilidad 0.98 por lo menos, o sea para que ( ) 98.015.0 ≥≤− pXP Entonces planteamos ( ) ( ) ≈ − ≤ − − ≤ − − =≤−≤−=≤− )1( 15.0 )1()1( 15.0 15.015.015.0 pnp n pnp npX pnp n PpXPpXP Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 116 T.C.L. 98.01 )1( 15.0 2 )1( 15.0 )1( 15.0 ≥− − Φ= − − Φ− − Φ≈ pnp n pnp n pnp n Por lo tanto 99.0 2 198.0 )1( 15.0 = + ≥ − Φ pnp n Además n n pp n pnp n 3.0 )5.01(5.0 15.0 )1( 15.0 )1( 15.0 = − ≥ − = − Entonces debe cumplirse que 33.23.0 ≥n o sea 3211.60 3.0 33.2 2 = ≥n O sea se debe tomar una muestra de al menos 61 clientes Aproximación normal a la distribución Poisson Se puede probar aplicando Teorema central del límite que Es decir para λ suficientemente grande )1,0(N X ≈ − λ λ En la práctica si 30≥λ la aproximación es buena. Observación: la demostración es sencilla si λ es igual a un número natural n pues, si considera- mos las variables aleatorias )1(~ PX i con ni ,...,2,1= independientes, entonces ya sabemos que ∑∑ == n i n i i PX 11 1~ , es decir )(~ 1 nPX n i i∑ = Pero además por T.C.L. si n es grande ∑ = n i iX 1 tiene aproximadamente distribución normal con pa- rámetros nnn =×= 1µ y nnn =×= 12σ O sea la distribución de ∑ = n i iX 1 que es exactamente Poisson con parámetro n, se puede aproximar con una ),( nnN , por lo tanto )1,0(N n nX ≈ − aproximadamente para valores de n suficientemente grandes En los gráficos siguientes se muestra para diferentes valores de λ cómo aproxima la distribución ) ,( λλN a la distribución )(λP Si )(~ λPX entonces para λ suficientemente grande λ λ−X tiene aproximadamente distribu- ción )1,0(N Parte 1 – Suma de variables aleatorias y Teorema central del límite Prof. María B. Pintarelli 117 20 40 60 80 100 0.01 0.02 0.03 0.04 0.05 5 10 15 20 25 30 0.05 0.1 0.15 0.2 Ejemplo: El número de infracciones por estacionamiento en cierta ciudad en cualquier día hábil tiene una distribución de Poisson con parámetro λ = 50. ¿Cuál es la probabilidad aproximada de que: a) entre 35 y 70 infracciones se expidan en un día en particular? b) el número total de infracciones expedidas durante una semana de 5 días sea entre 225 y 275? Solución: Sea X: “número de infracciones por estacionamiento en cierta ciudad en cualquier día hábil” Entonces )(~ λPX donde 50=λ Como 50=λ entonces )1,0( 50 50 N X ≈ − (aproximadamente) a) la probabilidad pedida es ( ) ( ) ( ) 9805.0017.0997599.0 12132.28284.2 50 5035 50 5070 7035 =−= =−Φ−Φ= − Φ− − Φ≈≤≤ XP b) Sea Y: “número total de infracciones expedidas durante una semana de 5 días” Entonces )(~ λPY donde 250550 =×=λ La probabilidad pedida es ( ) ( ) ( ) ( ) 8859.0194295.0215811.12 5811.15811.1 250 250225 250 250275 275225 =−×=−Φ= =−Φ−Φ= − Φ− − Φ≈≤≤ YP 50=λ 3=λ
Compartir