Aproximación de la binomial por la normal

Teorema de DeMoivre-Laplace (Local)

Si X ~B(n,p) la función de masa de X puede aproximarse por la siguiente expresión :
2
1  x − np 
1 −  
npq 
P(X=x) = b(x,n,p) ≈ 2
e 
npq 2π

Teorema de DeMoivre-Laplace (Integral)

Si X ~B(n,p) entonces se tiene:
2
b 1 b  x − np 
− 21    b − np   a − np 
P(a≤X≤b) = ∑ b( x, n, p ) ≈ ∫e  npq 
dx = Φ 
 npq   - Φ  
x=a npq 2π    npq 
a

La aproximación se mejora al introducir el siguiente factor de corrección por continuidad:

 1   1 
 b + − np   a − − np 
2 2
= Φ  - Φ 
 npq   npq 
   

Ejemplo:
Sea X ~B(20,¼).
Calcular P(4≤X≤6) directamente usando la binomial y utilizando la aproximación
normal.
Respuesta:
Utilizando la distribución binomial se tiene:
P(4≤X≤6) = P(X=4) + P(X=5) + P(X=6)
 20  1 4 3 16  20  1 5 3 15  20  1 6 3 14
=   +   +  
 4 4 4  5 4 4  4 4 4
= 0,1890 + 0,2023 + 0,1686
= 0,5599

Utilizando la aproximación normal se tiene:

 1   1 
 6 + − 20(0,25)   4 − − 20(0,25) 
2 2
P(4≤X≤6) = Φ  - Φ 
 20(0,25)(0,75)   20(0,25)(0,75) 
   
   
= Φ ( 0,77 ) − Φ( − 0,77 )
= 0,7794 – (1– 0,7794)
= 0,5588
Ley de los grandes números (Ley de los promedios)
Sean X1,..., Xk,... una secuencia de v.a. independientes idénticamente distribuidas con E(Xi)=
1 n
µ y V(Xi)=σ² y sea la v.a. Xn = ∑ Xi , entonces para todo ε>0 se tiene:
n i =1

P( Xn -µ<ε) 
→n 1

o equivalentemente: P(µ-ε < Xn < µ+ε) 

→n 1

Teorema Central del Límite

Sean X1,..., Xk,... una secuencia de v.a. independientes idénticamente distribuidas con E(Xi)=
1 n
µ y V(Xi)=σ² y sea la v.a. Xn = ∑ Xi , entonces cuando n es “grande” se tiene que
n i =1
σ2
aproximadamente Xn ∼N(µ, )
n

Otras Distribuciones de Probabilidades

Distribución Uniforme
Se dice que la v.a X tiene una distribución uniforme en el intervalo [a,b], se denota
X~U(a,b), si su función de densidad es:

 1
 a≤ x≤b
f(x) =  b − a
0 otro caso

la función de distribución es:

0 si x < a
x − a

F(x)=  si a ≤ x ≤ b
b − a
1 si x > b
El gráfico de las funciones anteriores es:
 a+b (b − a ) 2
Propiedades: E(X) = V(X) =
2 12

Distribución binomial negativa

Se tiene un experimento Bernoulli cuya probabilidad de éxito es p. Se repite el experimento
Bernoulli y se define la v.a. X como el número de fracasos obtenidos hasta la aparición de
r éxitos.
En este caso se dice que X sigue una ley de distribución binomial negativa de parámetros
r y p y se denota X ∼Bn(r,p). Su función de masa es:

 k + r − 1 r k
p(k) = P(X=k) =   p q
 k 

El conjunto de valores de X es 0, 1, 2, ... , o sea, todo ℕ.

rq rq
Propiedades: E(X) = V(X) =
p p2

También se puede definir una v.a X con distribución binomial negativa como el número de
veces que hay que repetir el experimento para obtener r éxitos. En este caso se tendría que
la función de masa es:

 n − 1 r n − r
p(n) = P(X=n) =  p q
 r − 1 

El conjunto de valores de X es r, r+1, r+2, ... ,

r
Propiedades: E(X) =
p
Distribución hipergeométrica
Se tienen N objetos, de los cuales N1 tienen la característica A y N2 objetos no tienen dicha
característica (es claro que N1 + N2 = N). Si se seleccionan n objetos sin reemplazo y se
define X como la v.a. que cuenta la cantidad de objetos con la característica A.
La función de masa de X será:

 N1  N 2 
  
 k  n − k 
p(k) = P(X=k) =
 N
 
 n

Los valores que puede tomar X son: max(0, n-N2) ≤ k ≤ min(n, N1)
nN1 nN1N 2 ( N − n )
E(X) = V(X) =
N N 2 ( N − 1)

Distribución de Poisson
La distribución de Poisson describe procesos en los cuales se observa el número de
resultados durante un intervalo de tiempo dado o una región específica (longitud, área,
volumen). Una variable que cuente ese número de resultados (resulta ser una v.a. discreta)
se dice que tiene una distribución de Poisson.
Un proceso de Poisson debe cumplir las siguientes características:
1. El número de resultados que ocurren en un intervalo de tiempo (o región) específico
es independiente del número que ocurre en cualquier otro intervalo disjunto de igual
magnitud de tiempo.
2. La probabilidad de que ocurra un resultado en un pequeño intervalo de tiempo es
proporcional a la longitud del intervalo de tiempo.
3. La probabilidad de que más de un resultado ocurra en un intervalo de tiempo
pequeño es despreciable.
La función de masa de una variable aleatoria X que se distribuye Poisson, se denota X ~
P(λ), es:

e − λ λk
P(X = k ) = , k = 0, 1, 2, ... (e=2,718..)
k!
Propiedades
E(X) = λ y V(X) = λ