7.

Distribucin normal
Sin duda, la distribucin continua de
probabilidad ms importante, por la
frecuencia con que se encuentra y
por sus aplicaciones tericas, es la
distribucin normal, gaussiana o
de Laplace-Gauss.
Fue descubierta y publicada por
primera vez en 1733 por De Moivre.
A la misma llegaron, de forma
independiente, Laplace (1812) y
Gauss (1809), en relacin con la
teora de los errores de observacin
astronmica y fsica .

Anatoli Timofyevich Fomenko 1

Gaussian Distributions I and II
Caracteres morfolgicos de individuos (personas, animales, plantas,...) de
una especie (tallas, pesos, dimetros, permetros,...).

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen,...

Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un

frmaco.

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos muestrales, por ejemplo: la media.
Y en general cualquier caracterstica que se obtenga como suma de
muchos factores.

Otras distribuciones como la binomial o la de Poisson se aproximan

a la normal. Distribuciones binomiales con n grande (n >30) y p ni pequeo (np > 5)
2
ni grande ( n (1-p) > 5 ).
 Distribucin normal o gaussiana
Est caracterizada por dos parmetros: la media, y la
desviacin tpica, .

Su funcin de densidad es:

1 (x

N (, ) P( x)
) 2 ( >
= = e 2 2
0)
2

La curva normal adopta un nmero infinito de formas,

determinadas por sus parmetros y .
3
 Caractersticas de la distribucin Normal

Tiene forma de campana, es asinttica al eje de las abscisas (para x =

)
Simtrica con respecto a la media () donde coinciden
la mediana (Mn) y la moda (Mo).
Los puntos de inflexin tienen
como abscisas los valores
.

Puntos
de
inflexin

-
, Mo, Mn + +
4
 Distribucin normal con =0 para varios valores
1.6

1.2 =0.2
5
=0.5
p(x) =1
0.8

0.4

0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x 5
 1 (x

N (, ) P( x) )
2
( > 0)
= = 2
e 2

=5 =5

= 10

20 30 40 50 60 70 80 90 100 110 120

Curvas normales con distintas medias y desviaciones
estndar. 6
li(0.!1
-
ND,1)
--
N(.\1)

N(, ): Interpretacin
geomtrica 0.4 .......

/\
!
I

\
\
Podemos interpretar !'

\
\
en I

la media como un
factor de
traslacin.
\
,,
1
i
j
tpica
Y la desviacin 0.2 ,'

\./
i
.
'
! '
0
como un factor de ,
1
I
\'
escala, grado de '

dispersin, o /
,-.

/
2 o 2
' N
n
!

u
,11

- \
/

7
 N(, ): Interpretacin probabilista
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
Entre la media y
dos desviaciones
tpicas aprox. 95%

Si tomamos intervalos centrados en , y cuyos extremos estn

a distancia , tenemos probabilidad 68%
a distancia 2 , tenemos probabilidad 95%
8
a distancia 25 tenemos probabilidad 99%
N (, ) 1 (x
P( x)
2
)
=
= e
2

2

2
Podemos obtener la funcin
de distribucin F(x)
integrando la
funcin de densidad de probabilidad:
1 x
( v )
2
De modo que la probabilidad de
una variable aleatoria normal X en
=
F ( x)
dv
e 2 2
un
2 intervalo a x b es:

2
1 b
( v )

P(a b) F (b) F (a) e 2 2

dv
X = =
En particular:

2
= e1 dv
2 2
( a

1 v )
2

No podemos calcular analticamente el valor de la integral!

Tabularemos sus valores numricos...
9
 Cmo calcular probabilidades asociadas
a una curva normal especfica?

Dado que tanto como pueden asumir infinitos valores,

es impracticable tabular las probabilidades para todas las
posibles distribuciones normales. Para solucionarlo, se utiliza la
distribucin normal reducida o tipificada.

x -
Se define una variable z=

Es una traslacin , y un cambio de escala de

la variable original.
10
 La nueva variable z se distribuye como una
NORMAL con media = 0 y desviacin tpica =
1
Recordemos de nuevo que en cualquier distribucin normal las
probabilidades delimitadas entre :
= 68
%
2 = 95 %
3 = 99 %

95 %
%
 68%

95%
99% z
-3 -2 -1 11
0 1 2 3
Tipificacin
Dada una variable de media y desviacin tpica
, se denomina valor tipificado z, de una
observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
tpicas, es decir:

x
z=


En el caso de variable X normal, la interpretacin es clara:
asigna a todo valor de N(, ), un valor de N(0,1) que deja
exctamente la misma probabilidad por debajo.
 Nos permite as comparar entre dos valores de dos
distribuciones normales diferentes, para saber cul de los
dos es ms extremo. 12
 Variable normal general
1 e- t ( --")2
p(,c) = "

,,
'\ ,,',
-1

o
Variable normal esndar
1 2 /

//

., .,
, .,
/

' ' /
/
/

'\x' >, \. / / / /

. ..... ,.
2 /
c-t.: /
p(z)- /
/
, /
/

''' ''' ''

/
A veces la
escala se acorta
/ , / /
/ A veces la u

' ' '' ' '

/ /
/

,,
//
/ /
'' '' '' / /
/
/
\ -,
/

/
/
//
' '\
/
/

-2 -1 o l 2
 z-
z - --.-

13
Se quiere dar una beca a uno de dos estudiantes de sistemas
educativos diferentes y se asignar al que tenga mejor expediente
acadmico:
El estudiante A tiene una calificacin de 8 en un sistema donde la
calificacin de los alumnos se comporta como N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema donde la
calificacin de los alumnos se comporta como N(70,10).
No podemos comparar directamente 8
puntos de A frente a los 80 de B, pero
como ambas poblaciones se comportan
de modo normal, podemos tipificar y
observar las puntuaciones sobre una
distribucin de referencia N(0,1).

Como zA > zB, podemos decir que el

porcentaje de compaeros del mismo xA
sistema de estudios que ha superado A 86
en calificacin al estudiante A es mayor zA =2
que el que ha superado B. En principio = 1
=
A

A es mejor candidato para la beca. zB xB B

=
= B
80 70 1014
=1
2
Apliquemos el cambio de 1 x
( v )

variable tipificada a la funcin

F
= ( x)
2
e 2
2 dv
de distribucin F(x):

z2
1
- p( z) = e 2
; z<
z = 2 <
2
1 z u
dv = dz F ( z) p(Z z)

= = 2

e du 2

Las probabilidades de la variable tipificada (z) estn

tabuladas para los diferentes valores de la variable.
Para calcular probabilidades, una vez transformada, la
variable a valores de z, se busca en una tabla el rea
correspondiente.
 15
z
2 Caracterstica de la
1
; z<

p( z) distribucin normal tipificada
e 2

= 2 < (reducida o estndar):

1 z

u No depende de ningn parmetro.
F ( z) p(Z z) e
=
2
= Su media es 0, su varianza es 1 y
du su desviacin tpica es 1.
2
La curva f(x) es simtrica respecto
al eje de ordenadas y tiene un
mximo en este eje.

Tiene dos puntos de inflexin en z

=1 y z = -1.
16
Hay varios tipos de tablas de la distribucin normal
La que se explica aqu representa las reas para los
diferentes valores de z desde 0 hasta +.

Los valores
negativos de z NO
estn tabulados, ya
que la distribucin
es simtrica

+
0 17
Tabla A.3: Distribucin Normal Estndar. P(N(O, 1) > z)
z

z
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
O.O .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681 18

La tabla consta de:
*Margen izquierdo : Los enteros de z y
su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: reas correspondientes,
acumuladas, desde 0
hasta 3.99

0 1 2 3 4 5 6 7 8 9

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....

0.5 .1915 ....

19
 EJEMPLOS:
1.-Cul es la probabilidad de que un
valor de z est entre 0 y -2.03?

2.-Cul es la probabilidad de que un

valor de z est entre -2.03 y +2.03?

3. Hallar P( z >1.25 ) 4. Hallar P ( -0.34 < z < )

5. Hallar P ( 0.34 < z < 2.30 )

 Ejemplo 1
Cul es la probabilidad de que un valor de z est entre 0 y -2.03?

Cmo la curva es simtrica

P (-2.03 < z < 0) = P (0 < z < 2.03)

?
z
-3 -2 -1 0 1 2 3
21
 Ejemplo 1
Cul es la probabilidad de que un valor de z est entre 0 y -2.03?
Se busca en la tabla el rea correspondiente a z = 2.03

0 1 2 3 4
1.8
1.9
2.0 0.47882

2.1

47. 88%

z
 Ejemplo 2
Cul es la probabilidad de que un valor de z est entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre
0 y 2.03 = 0.47882
La misma rea hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764

?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
23
 Ejemplo 3
Cul es la probabilidad de que un valor de z sea mayor a 1.25 ?

1.- La probabilidad de 0 < z < + = 0.500

2.- La probabilidad de 0 < z < 1.25 = 0.39435
3.- La probabilidad de z > 1.25 =
0.500 - 0.39435= 0.10565

50%

39.
10.
? z
-3 -2 -1 0 1 2 3
 Ejemplo 4
Hallar P( -0.34 < z < )
P(0 < z <0.34) = 0.13307 =
63.31%
P(-0.34 < z < 0)
P (0 < z < ) = 0.50000

P( -0.34 < z < ) =

0.13307 + 0.50000 = 0.63307

13.31% 50%

-3 -2 -1 0 1 2 3 25
 Ejemplo 5
Hallar P( 0.34 < z < 2.30) P(0< z <0.34) = 0.13307
P( 0 < z < 2.30) = 0.4893
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623

35.62%

z
-3 -2 -1 0 1 2 3

26
 EJEMPLO

Sea una variable distribuida normalmente con media

= 4 y desviacin tpica = 1.5.
Cul es la probabilidad de encontrar un valor x
6 (P(x 6 ))?
=4 = 1.5 Hallar P ( x
x>6) z=
1.- transformar x en un
valor de z z = (6 - 4)/1.5
= 1.33
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 = 0.5
 0.40824

0.09176

-0.5 1 2.5 4 5.5 7 8.5

-3 -2 -1 0 ?
1 1.33 2 x 3 z
6
Hasta ahora vimos como dado un valor x de la variable, hallar
probabilidades transformando (estandarizacin) la variable en
valores de
z= x-

Cmo hallar un valor de x, dada la probabilidad?

Ejemplo: Sea una variable distribuida normalmente con =4 y =

2. Hallar el valor de x que deja por encima de l un 38.20% (0.3820).

Se debe desestandarizar :
x=z +

0.5000 - 0.382 = 0.118 Se busca en la
tabla el valor ms aproximado:0.1179
corresponde a z =+ 0.30
Sustituyendo en la frmula
0.30 2 + 4 = 4.60
4.60 x=?
38.2 29
0%
Los diseadores de un nuevo tipo de cabina de av5n quieren colocar un interruptor de forma
que la 1nayor(a de los pilotos puedan olamzorla sin tener que cambiar de posicin. Se sabe que
la distribucin de la distancia 1nxi1na (en cms} que pueden alcanzar los pilotos sin 1noverse
[medida} desde el respaldo del asiento es J\1(125.10)

a) Si se pone el interruptor a 120e1n del respaldo del asiento. qu propc;1'Ci-0n de pilotos no

pod1 alcanzarlo sin rnouerse del asiento?
La proporcin viene dada por Pr (,\' < 120) donde X - J\1(125, 10) :

Pr (,\' < 120) Pr ( z < 120 125) = Pr(Z < -0,5)

1 - Pr (Z < 0,5) = 0.3085

b) 6 Cul es la distancia 111xima desde el respaldo a la que se podra poner el interruptor si

quere1nos que el 95 % de los pilotos pueda alcanzarlo sin 1noverse?
Se busca la distancia d que cumple con

0,95 = Pr(.,\' > d) = Pr ( Z > d- 125)

10

de donde sabernos que

-_._2_ = -l 96
10 '
y por tanto
30
d = 125 - 19.6 = 104.6.
 Nota: Cuando n > 20, np 5, y n(1-p) 5 la
distribucin binomial puede aproximarse por una
normal con
=
np
 = np(1
p)
31
P{consumir caf}=0.4

a) ., -{ 1, toma caf es una B ernou1 con p= O ..4.

x-. O, no toma caf
probab111da d

Su media es E[X] = p = 0.4, y su varianza es var( ..\') = pq = 0.24, por lo que su desviacin
tpica es a(Xi) = 0.4899.

b) X es una binomial con n = 20, p = 0.4, con media E[XJ = np = 8, var(X) = npq = 4.8;
a(X) = 2.1909.

La probabilidad de que X sea 12 es:

12
P{.-Y = 12} = ()0.4 0.6
8
= 0.0355;
La probabilidad de que ninguna tome caf diariamente es:

y P{al menos dos tomen caf}= 1 - P{X = O} - P{X = 1} =

= 1 - (20)o.40.62 - (2,)o 410.619 = o 995;
32
c) Si n=lOOO, podemos aproximar la binomial B(l000,0.4) a una normal N(400,15.4919).

,. } 447 - 400}
?{353 < < 447 ::::,; ?{353
400
-
<
z < =
A
- 15.4919 - - 15.4919
P{ -3.0338 < Z < 3.0338} =
- 2P{Z < 3.0338} - 1 =
- 2 X 0.9988 - 1 = 0.9976

con Z = N(O, 1).

d) Si n=lOOOO, aproximamos la binomial B(l0000,0.4) a una normal N(4000,48.9898) y tenemos.

P{3530 < X < 4470} ::::;; P{ 3530 - 4000 < z < 4470 - 4000}
=
- 48.9898 - - 48.9898
P{-9.5938 < Z < 9.5938} =
2P{Z < 9.5938} -1 =
2xl-1=1
con Z = N(O, 1).
33
Al aumentar la muestra, la probabilidad aumenta.
En una empresa se ha visto que en un 10% de sus facturas se
cometen errores y se desea calcular la probabilidad que de
100 facturas, 12 de ellas los contengan:
= 100(.10) = 10
= np(1 p) = 3

z1
z2
12.5 = 0.83 0.2967
z1 =
10.0
3
11.5 = 0.5 0.1915
z2 =
10
3
P(12) = 0.1915 0.1052
0.2967 =
8.3.1. Teorema de adicin para distribuciones de Poisson
Sea11 X1 - P(..\1 ), ... , X - P(,\n) n v.a. de Poisson independientes. Entonces la
nueva variable aleatoria

Y = X1 + + Xn = P(..\1 + + An)
Para demostrarlo. utilizamos las funciones caracterfsticas de las variables Xk, y
el hecho de que son independientes.

= 'Px,(t) X ... X cpxn(t) = e"i(e''-J) X X e>-n(eH-J) =

= e<>-,++>.n)(1-l)

Pero, esta es la funcin caracterstica de una distribucin de Poisson de parmetro

..\ = ..\1 + + ..\". 35
9.2.1. Teorema de adicin para distribuciones Normales
Sean X1 = N(1, 0-1), ... , X = N(n, un), n v.a. Normales independientes. Enton-
ces, la nueva variable aleatoria

Para demostrarlo, utilizamos las funciones caractersticas de las variables Xi; y el

hecho de que son independientes,

<px, (t) = e,t-;u,t

1 2 2
k = 1, 2, ... , n

<py(t) = E[tYJ = E [ei(l>+a1X1+ .. +anXn)t] = E [eibt X eia1tX1 X , , , X eiantXn]

=

= eibt X <px1 (a1t) X X 'PXn (ant) =

36
37
Ejercicio 119. Se sabe que el nmero X de personas que entran
diariamente en unos grandes almacenes se distribuye normalmente. Si
hay una probabilidad 0,58 de que entren menos de 75 clientes y una
probabilidad 0,38 de que entren entre 75 y 80 clientes, determinar la
media y la varianza de la variable X.
2
Ejercicio 119. Suponemos que X se distribuye N(, <7 ). Tenemos:
P(X < 75) = 0,58, P(75 < X < 80) = 0,38
tipificando Z = (X - )/<7 obtenemos
75-
P(Z < = zo) = 0,58
o
75 - 80 -

P( = zo < Z < = z1) = 0,38
o o
luego
<J)(zo) = 0,58, <J)(z1) - <J)( zo) = 0,38
de la primera igualdad de la tabla N(O, 1) obtenemos z0 = 0,20, y de
<J)(z1) = 0,96 obtenemos z1 = 1,75. Resolviendo
75 80 -
- = O2 = 1 75
o ' o '
obtenemos = 7 4,35 y <7 = 3,22. Ejercicio 119
Ejercicio 121. Sabiendo que la demanda aleatoria de gasolina duran-
te un cierto periodo de tiempo se comporta con arreglo a la ley normal
de media 150000 litros y desviacin tpica 10000 litros, determinar
la cantidad que hay que tener dispuesta a la venta en dicho periodo
para poder satisfacer la demanda con una probabilidad de 0,95.

Ejercicio 121. Sea X la demanda de tipo N(150000, <I = 10,000). Sea

C la cantidad dispuesta a la venta, entonces calculamos C imponiendo

P(X < C) > 0,95

Tipificando, tenemos
P(Z C - 150000 = z ) = O 95
< 10 000 o '
De la tabla N (O, 1) se tiene que <J)(l 65) = 0,95, luego
150000
z0 = C - = 1 65 > C = 166500 litros
10 000 '
'
Ejercicio 124. Un individuo juega con probabilidad de ganar igual
a 1/2 en cada juego. Si gana en un juego obtiene 5 euros y si pierde
paga 5 euros. Durante una tarde juega 400 veces. Con cunto dinero
debe acudir si quiere tener una probabilidad de 0,95 de hacer frente
a sus posibles prdidas?

Ejercicio 124. Sea C la cantidad que lleva en el bolsillo. Sea X el

nmero de partidas ganadas de 400, de tipo B(400; 1/2). Sea B el
beneficio B = 5X - 5( 400 - X) = lOX - 2000. Hay que calcular
C
con la condicin
P(B + C > O) > 0,95
Es decir

P(lOX - 2000 +C> O) = (X > 2000-

lO
e) > 0,95
P

Aproximando X por la distribucin normal N(200; a= 10) se tiene

2000-C _ 200 )
p
(
Z > lO lO = Zo > 0,95

Como 1 - <I>(zo) > 0,95, buscando en la tabla N(O; 1), obtenemos

z0 = -1,65, luego resolviendo la ecuacin
2000-C _ 200
10 < -1 65 e> 165
10 '
Ejercicio 84. Se lanza una moneda 500 veces. Hallar la probabilidad
de que la frecuencia relativa de caras est comprendida entre 0,45 y
0,65.

Ejercicio 84. El nmero de caras sigue una distribucin binomial

B(500; 0,5). A partir de la aproximacin de
X_ B(n,p) rv N(np, a=
y'npq)
la variable aleatoria frecuencia relativa fr se aproxima a

r X N(p,a
= rv

{ixi) V --:; :
=

n
luego
0,4 5- 0, 5
P(0,45 < fr < 0,65) = P - - - - <z <
O 6 5 - 0, 5
- - - -
No
No
= <I>(2,24) - <I>(-2,24) = 2 <I>(2,24) - 1 = 0.975
Ejercicio 85. Cuntas veces habra que lanzar una moneda regular
a fin de tener al menos un 95 % de seguridad de que la frecuencia
relativa de caras diste a lo ms O 1 de la probabilidad terica O 5?

Ejercicio 85. El nmero de caras sigue una distribucin binomial

B(n; 0,5). A partir de la aproximacin de
X B(n,p) rv N(np, O"= \fnP9.)
la variable aleatoria frecuencia relativa fr se aproxima a
i, = -X rv N(p,O" = .-:)
n n
luego nos pide n que cumpla
P(lfr - 0,51 < 0,1) > 0,95
-0,l 0,1
P( -0,1 < t- - 0,5 < O 1 ) = < Z < --
P N N
= <P(o,2 vn) - <P(o 2 vn) = 2 <P(o,2 vn) - 1 > o,95 =?
<P(0,2 vn) > 0,975 = <P(l 96) =? 0,2 vn
> 1,96 =? n > 96
 Calcular Ao Lanzamientos Aproximacin
\i\Tolf 1 50 5000 3.1596
con la aguja Smith 1 55 3204 3.1553
de Buffon Fox 1 94 1120 3.1419
Lazzarini 1901 3408 3.1415929

Perversiones y trampas de la Probabilidad

por Algunas aproximaciones al valor de tt
A. Corbern y F. Montes Figura 2.- Funcin de probabilidad de X B(300, 0.3)

De todos estos resultados llama poderossimamente la atencin la preci-

sin, del orden de 10-6, obtenida por Lazzarini. Hasta el punto de merecer un
anlisis detallado que nos demostrar lo afortunado que fue.
Comencemos primero recordando un resultado debido a De Moivre y La-
place conocido corno la versin local del Teorema Central del Lmite. Demos-
traron ambos que si X es una variable aleatoria Binomial con parmetros n y
p, X,....., B(n,p), paran suficientemente grande las probabilidades asociadas
a los distintos valores que X toma pueden aproximarse mediante

(2)

donde CJ = Jnp(l - p) y x = mnp. Es decir, la aproximacin se lleva

a cabo mediante la funcin de densidad de una Normal con parmetros np
y np(l - p). Este es un resultado que puede verse si obtenemos y
representamos grficamente los valores de la funcin de probabilidad de una
Binomial con n grande, lo que puede hacerse fcil y rpidamente con ayuda
de la utilidades
de cualquier hoja de clculo (EXCEL, por ejemplo). La figura 2 no 111ue tra 43
el ejemplo de una B(300, 0.3).
Trabajar con 1r o con su inverso es equivalente. As, si suponemos m cortes en
ti lanzamientos.

dm 1
1r 2ln
Corno la preci in e tan excepcional veamo como vara i el nmero de
corte aumentara en una unidad. La aproximacione de lo inver o de 1r
corre pondiente a lo m y m + 1 corte , re pectivamentc, difieren en
d(m + 1)
------=->-
dm d 1
2ln 2ln 2ln - 2n'
que para ti 5000, da lugar a 2 10- 4. Es decir, un corte de ms. o de
menos, produce una diferencia en la precisin de la estimacin de :; mayor
que 10-6, precisin alcanzada por Lazzarini. No queda ms alternativa que
reconocer que Lazzarini tuvo la suerte de obtener exactamente el nmero de
cortes, m que conduca a tan excelente aproximacin. La pregunta inmediata
es, cul es la probabilidad de que ello ocurrierai, y para responderla
recurri- remo a (2), pue to que el nmero de corte obtenido en lo n
lanzamiento
e una variable X rv B(n,p), con p m/n. Tendremo pues que
1
P (X = m) ------;:::::===
J21rnp(l -
p)'
y si suponemos d/2 = l, tenemos p m/n = l/1r, lo que conduce a la
siguiente cota para P(X = m),

P(X = m) < J 2n(7r7f- 1).

Para el ca o de Lazzarini, n=340 , e obtiene P(X = m) < 0.0146, Vm. Re ul- 44

tado que dernuc tra cuan afortunado era el Sr. Lazzarini. Quiz dcma iado.
 8

Teorema de adicin
Sean X1 - N(1, 0"1), ... , X - N(n, O"n), n v.a. Normales independientes. Entonces, la
nueva variable aleatoria es

Normal estndar
X = I(, O") ==> Z = X -
o
= N(O, 1)
Teorema central del lmite
Dadas n v.a. independientes e idnticamente distribuidas, {X1, ... , Xn} tales que

Entonces, si n es suficientemente grande,

n
Xk (n,O"Jn)
k=1
45
46