Parte 1 – Suma de variables aleatorias y

Teorema central del límite Prof. María B. Pintarelli

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

X ~ P(1 ) ; Y ~ P(2 ) ; X y Y independie ntes  X  Y ~ P(1  2 )

Dem.)
Consideramos el evento X  Y  n como unión de eventos excluyentes
X  k , Y  n  k 0  k  n , entonces
n n n
1k 2 n  k
P ( X  Y  n)  
k 0
P( X  k , Y  n  k )  
k 0
P( X  k ) P(Y  n  k )  e 
k 0
 1

k!
e  2
n  k !


X e Y independientes

n
1 k 2 n  k e  ( 1  2 ) n
e  ( 1  2 )
 e ( 1  2 )   
n!
 k
 nk
 1  2 n
k! n  k ! k  0 k!n  k !
1 2
k 0 n! n!

Binomio de Newton

O sea X+Y tiene distribución Poisson con parámetro 1  2

2- Suma de variables aleatorias binomiales independientes

X ~ B(n1 , p) ; Y ~ B(n2 , p) ; X y Y independie ntes  X  Y ~ B(n1  n2 , p)

Dem.)
Nuevamente consideramos el evento X  Y  k como unión de eventos excluyentes
X  i, Y  k  i 0  i  n1 , entonces
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 
n1
 p k (1  p) n1  n2  k   1  2 
i  0  i  k  i 

r
En la expresión anterior si j  r entonces    0
 j

103
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

n1
 n1  n2   n1  n 2 
Por último usamos la siguiente identidad combinatoria   i  k  i    
i 0     k 
Y entonces

 n n 
P ( X  Y  k )   1 2  p k (1  p ) n1  n2  k
 k 
O sea X+Y tiene distribución binomial con parámetros n1  n2 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 X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ P(i ) para todo
n n
i  1,2,...,n entonces  X i ~ 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 n
i  1,2,...,n entonces  X i ~ 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) respecti-
vamente se puede probar (no lo demostraremos aquí) 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  2

 y Y ~ N  ,  enton-2

 
2 2

ces X  Y ~ N 1   2 ,  1   2
2 2

Por inducción 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 n n
i  1,2,...,n entonces  X i ~ N ( i ,  i2 )
i 0 i 0 i 1

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

n n n
i  1,2,...,n entonces  ai X i ~ N ( ai  i ,  ai2 i2 ) donde a1 , a2 ,...,an son números reales
i 0 i 0 i 1

104
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

n
Se dice que a X
i 0
i i 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 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 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:
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 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 T  X 1  X 2  X 3  X 4
 4 4

Por lo tanto T ~ N    i ,   , y se pide hallar t tal que P(T  t )  0.01
2
i
 i 1 i 1 
4 4

  i  15  5  8  12  50 y   4 2  12  2 2  32  30
2
i
i 1 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 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.

105
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

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 X ~ N( 24, (1/8) 2 ) , Y ~ N( 23.875, (1/16) 2 ) , X e Y independientes
a) Se pide la distribución de X-Y , E ( X  Y ) ,  X Y  V ( X  Y )
E( X  Y )  E( X )  E(Y )  24  23.875  0.125
2 2
1  1  5 5
V ( X  Y )  V ( X )  V (Y )          X Y 
 8   16  256 16
  5  
2

Por lo tanto X  Y ~ N 0.125,   
  
  16  
b) Se pide la probabilidad P( X  Y  1 / 4)
 
 
 0.25  0.125  2 5
P( X  Y  1 / 4)  1    1     1  (0.8944)  1  0.8133  0.1867
 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
 
 
 0  0.125   2 5 2 5
P( X  Y  0)        1  


 5   0.1867
 5  5
     
 16 

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 , 0.12 ) , Y ~ N(5 , 0.22 ).
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 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
 14.5  14   5
P( Z  14.5)  1     1     1  1.1180   1  0.8810  0.119

 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 si-
guiente, el momento de flexión 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 estándar 0.5 y
1.0 KLbs, respectivamente.

106
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

Si a1  5 pies y a 2  10 pies, ¿cuál es el momento de flexión esperado y cuál es la desviación

estándar del momento de flexión?
b) Si X 1 y X 2 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 Z  5 X 1  10 X 2

Por lo tanto
a) E (Z )  5E ( X 1 )  10E ( X 2 )  5  2  10  4  50
65 65
V ( Z )  5 2  0.5 2  10 2  12  25  0.25  10  1   Z 
4 4
 65 
b) Si X 1 y X 2 están normalmente distribuidas, entonces Z ~ N  50, 
 4
Por lo tanto
 
 
 75  50   10 65 
P ( Z  75)  1    1     1   6.20   1  1  0
 65 
 13 
 
 4 

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

X i
i  1,2,...,n entonces la v.a. X  i 1
tiene distribución normal con
n
2
media  y varianza
n

X i
Dem.) Notar que X  i 1
es un caso particular de combinación lineal de variables aleatorias
n
1
donde a i  para todo i  1,2,...,n
n
Además en este caso  i   y  i   2 para todo i  1,2,...,n
2

n n
1 1 1
Por lo tanto, X tiene distribución normal con esperanza 
i 1 n
 i  
i 1 n
  n  
n
y varian-

za
2
2 2 2
n
1 2 n
1 2 1
  
i 1  n 
 i    
i 1  n 
   
n
n 2

n
 2 
Es decir, X ~ N   , 
 n 
Observación: a X se lo llama promedio muestral o media muestral

107
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

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 n  16 anillos, calcule P(11.99  X  12.01)
b) ¿Qué tan probable es que el diámetro promedio exceda de 12.01 cuando n  25 ?

Solución:
a) Sean las variables aleatorias X i : “diámetro 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 
 

11.99  12 X  12 12.01  12
P(11.99  X  12.01)  P(   )
0.04 2 0.04 2 0.04 2
16 16 16
   
   
   
 

12.01  12
2
  
 
11.99  12
  
   1    1  2 (1)  1 

0.04 0.04 2
   
 16   16 
   
 2  0.8413  1  0.6826

 2 
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 máquina 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 máquina presenta una
distribución normal con   1 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  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  con una probabilidad de 0.95?

108
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

Solución:
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
     1 
 n n n   n 
Mediante la tabla de la acumulada de la normal estándar se tiene que

 

P  0.3 n 
X 
1

   
 0.3 n   2 0.3 n  1  0.95   0.3 n  0.975  0.3 n  1.96  
 
 n 

2
 1.96 
O sea n     42.68
 0.3 
Si tomamos n  43 , entonces P( X    0.3) 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

109
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

Teorema central del límite (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 idénticamente distribuidas
n
S  n
Sea la v.a. S n   X i y sea Z n  n .
i 1 n 2
 S  n  z
Entonces lim PZ n  z    z  , esto es lim P n
1 x
2

n n 

 z  
  2 dx
e
 
2
n 2

Dem.) sin demostración

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 
   
 S n  n    X 
2- Notar que P  z   P n  z   P  , por lo tanto también se puede
 n 2
 n 2
  
   n 
 n 
enunciar el Teorema central del límite 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 idénticamente distribuidas
Sea la v.a. promedio muestral X   X i y sea Z n  X   .
1 n
n i 1 
n
X   z
Entonces lim PZ n  z    z  , esto es lim P
1 x
2

 z   e 2
dx
 n 2
n n 
 

Donde Z n  X   es el promedio muestral estandarizado


n
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 X i . En muchos casos de interés prácti-
co, si n  30 , la aproximación normal será satisfactoria sin importar cómo sea la forma de la dis-
tribución de las X i . Si n  30 , el T.C.L. funciona si la distribución de las X i 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   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 límite Prof. María 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 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.

n=2 80
150
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
40 n = 15 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 11 12 13 14 15 16 17 18 19 20 21 22

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  = 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 X i : “tiempo de falla del instrumento D i ” i  1,2,...,30
Entonces X i ~ Exp(0.1) para i  1,2,...,30
30
El tiempo total de operación de los 30 instrumentos es T   X i , donde
i 1

 
30
1
E (T )  E   X i   30  E ( X i )  30   300
 i 1  0.1
111
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

 30  1
V (T )  V   X i   30  V ( X i )  30  2  3000
 i 1  0.1
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 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
X i : “cantidad de calorías que una persona consume en el día i” i  1,2,...,365
Se sabe que E ( X i )  3000 y V ( X i )  230 2
1 365  2 230 2
Si X   X i entonces E ( X )  3000 y V ( X )  n  365
365 i 1
La probabilidad pedida es
 
 2959  3000 X  3000 3050  3000 
P2959  X  3050   P   
 230 230 230 
 365 365 365 
T.C.L.
   
 3050  3000   2959  3000 
 
230    230   4.15   3.40  1  0  1
   
 365   365 

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 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 valo-
i 0
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

112
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

1 si en la í  ésima repetición de  ocurre éxito


Xi   i  1,2,...,n
0 caso contrario


entonces cada X i se la puede considerar B(1, p) , y además 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 tendrá aproxima-
i 1
damente una distribución normal con parámetros np y np(1  p) , es decir
X  n X  n. p
Zn    N 0,1 si n es lo suficientemente grande
n 2
n. p1  p 

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 , np  5 y n(1  p)  5 , pero es más efectivo aplicar esta apro-
ximación cuando np  10 y n(1  p)  10

2- Corrección por continuidad.

Acabamos de ver que si XB(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 cal-
cular, 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 distribución discreta y tiene sentido calcular probabilidades como
P X  k  mientras que la normal es una distribución continua y, en consecuencia, P X  k   0
puesto que para una variable aleatoria continua la probabilidad de que ésta tome un valor aislado
 1
es cero. Esto se resuelve si se considera P X  k   P k   X  k  
1
 2 2
También se puede usar esta corrección para mejorar la aproximación en otros casos, específica-
mente en lugar de P( X  k ) calculamos
 1
P ( X  k )  P X  k  
 2
 1
Y en lugar de P( X  k )  P X  k  
 2
En los gráficos siguientes se muestra para diferentes valores de n y p cómo aproxima la distribu-
ción N (np, np(1  p)) a la distribución B(n, p)

0.175 0.2

0.15
n = 25
p = 0.7 n = 15
0.125 0.15
p = 0.5
0.1
0.1
0.075

0.05
0.05
0.025

5 10 15 20 25 2 4 6 8 10 12 14

113
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

0.35
0.08
0.3 n =15 n = 100
0.25
p = 0.9 p = 0.7
0.06

0.2
0.04
0.15

0.1
0.02
0.05

5 10 15 20 50 60 70 80 90 100

0.4
0.1

0.08
n = 150 n = 10
0.3
p = 0.1 p = 0.1
0.06
0.2
0.04

0.1
0.02

20 40 60 80 100 120 140 2 4 6 8 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 aproximación normal.

Solución:
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 aproximación normal
 X  np 8.5  10 
P ( X  8)  P ( X  8.5)  P      0.61  0.2709
 np (1  p )   
 25 0 . 4 0 . 6 
corrección por continuidad

Observar que el valor aproximado está 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 está muy cerca del valor real de P( X  8)  0.120

114
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

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 X ~ B(200, 0.1) , además np  200  0.1  20  5 y n(1  p)  200  (1  0.1)  180  5

Por lo tanto podemos aplicar la aproximación 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 distribución 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 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 X ~ B(n, p) 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-
X X
tes para “estimar” p con X  ya que X  es la proporción de clientes a los que no les
n n
agrada la nueva política de aceptación de cheques en la muestra de n clientes. Si no se toman a
X
todos los clientes, entonces X  no será igual a p.
n
X
La pregunta es cuál 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

0.15n 
 np (1  p ) np (1  p ) 
115
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María 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
 

0.15n 0.15 n 0.15 n

Además    0.3 n
np(1  p) p(1  p) 0.5(1  0.5)

2
 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

Aproximación normal a la distribución Poisson

Se puede probar aplicando Teorema central del límite que

X 
Si X ~ P( ) entonces para  suficientemente grande tiene aproximadamente distribu-

ción N (0,1)

X 
Es decir para  suficientemente grande  N (0,1)

En la práctica si   30 la aproximación es buena.

Observación: la demostración es sencilla si  es igual a un número natural n pues, si considera-

mos las variables aleatorias X i ~ P(1) con i  1,2,...,n independientes, entonces ya sabemos que
n
 n  n


i 1
X i ~ P  1 , es decir
 i 1 
X i ~ P ( n)
i 1
n
Pero además por T.C.L. si n es grande X
i 1
i tiene aproximadamente distribución normal con pa-

rámetros n  n 1  n y n 2  n 1  n
n
O sea la distribución de X
i 1
i que es exactamente Poisson con parámetro n, se puede aproximar

X n
con una N (n, n) , por lo tanto  N (0,1) aproximadamente para valores de n suficientemente
n
grandes
En los gráficos siguientes se muestra para diferentes valores de  cómo aproxima la distribución
N ( ,  ) a la distribución P( )

116
Parte 1 – Suma de variables aleatorias y
Teorema central del límite Prof. María B. Pintarelli

0.05 0.2
  50
0.04  3
0.15

0.03
0.1
0.02

0.05
0.01

20 40 60 80 100 5 10 15 20 25 30

Ejemplo:
El número de infracciones por estacionamiento en cierta ciudad en cualquier día hábil tiene una
distribución de Poisson con parámetro  = 50. ¿Cuál es la probabilidad aproximada de que:
a) más de 35 y a lo sumo 70 infracciones se expidan en un día en particular?
b) el número total de infracciones expedidas durante una semana de 5 días sea más 225 y a lo sumo
275?

Solución:
Sea X: “número de infracciones por estacionamiento en cierta ciudad en cualquier día hábil”
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: “número total de infracciones expedidas durante una semana de 5 días”
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