c



c
    
    c

c ccc
 c
c
  

 

 c
 
   c c

c c
  
 c c

c
  

 
 
 
  
 Durá Peiró y López Cuñat, Fundamentos de Estadística, Ed. Ariel Economía
 Canavos, G. C., Probabilidad y Estadística: Aplicaciones y Métodos, Ed.
McGraw-Hill
 Mood y Graybill, Introducción a la Teoría de la Estadística, Ed. Aguilar
 c
 
Los modelos de distribución constituyen una parte importante de la Probabilidad,
proporcionando herramientas para analizar las propiedades y características de los
distintos resultados posibles en determinados experimentos, tanto para medir y
acotar sus probabilidades como en el proceso de inferencia de la información
contenida en los datos observados.
En esta última dirección resulta de especial importancia el llamado modelo
de distribución normal, por ser la distribución límite hacia la cual tienden (bajo
condiciones que generalmente se plantean en la vida cotidiana) gran número de
distribuciones de probabilidad.
La distribución Normal fue reconocida por primera vez por De Moivre, si bien fue
posteriormente Gauss quien elaboró desarrollos más profundos y formuló la
ecuación de la curva, de ahí que se le conozca más comúnmente cómo ³ley de
Gauss´ o ³campana de Gauss´.

   c c


 !"!#!$"
Dado un espacio de probabilidad ùÄ ? Ä asociado a un experimento aleatorio  ,

llamamos variable aleatoria ' a toda aplicación del espacio muestral ù en >
' Èù >
j ' j

 !"!#!$"
Llamamos rango de ' , y lo denotamos por  ' , al conjunto de valores que

toma la variable aleatoria.

 !"!#!$"
Decimos que la variable aleatoria ' es discreta si toma un conjunto finito
U ` Äl Ä 4 o numerable U ` Äl Ä 4 Äl de valores.

 !"!#!$"
Decimos que la variable aleatoria ' es continua si toma valores en un conjunto no
numerable (lo más usual un intervalo de > ).

 !"!#!$"
Llamamos función de distribución de la variable aleatoria ' a la función
O È>
Ä` definida como O ±
' Ä
> .

Página 2 de 13

 !"!#!$"
Decimos que una variable aleatoria ' es continua si su función de distribución

es una función continua y derivable, con derivada continua salvo a lo sumo en un
conjunto de puntos de medida nula.

%&'!()(*
?ea O la función de distribución de una variable aleatoria continua ',
entonces:
1. O  ± Ä O  ±`
2. O es monótona no decreciente ya que si ` 
entonces O  ` O

3. O es continua

&%&+)%!&
?i ' es una variable aleatoria continua, entonces ' ± ± Ä
> .

Demostración
?ea   M y consideremos    '
±
 
    . ?i   , entonces

' ± ±
  
    ± , pues al ser O continua, 
    ±
 .

   

Nota. Debido a que
 ' ± ± Ä
 > se cumple que:

a.
  '   ±
 '   ±
 '  ±
  '  Ä
 Ä   > Ä   

b.
 '  ±
' ± O
c.
 ' ë ±
' M ± ` O 

 !"!#!$"
Dada una variable aleatoria continua ', y siendo
Y ±U > 
ë OK  4    4  44
 , podemos definir una

función Î È > > (a la que llamamos función de densidad de la variable aleatoria


  Y
' ), como Î  ± .
 
O K  Y

c&%,)
Las siguientes propiedades caracterizan la función de densidad
1. Î  ë Ä
>

2. 

Î   ±`

Página 3 de 13

Demostración
1. Î  ë Ä
> , pues Î  ±

 y
 es monótona creciente
6
2. Puesto que O   O  ± ` , entonces 
Î   ± `.

c&%,)
Dado que Î  ±

 es continua salvo en Y , conjunto de medida nula,

entonces Î es integrable Riemann y la primitiva de Î es la función de distribución

O.

&%&+)%!&Cálculo de probabilidades en el caso continuo

1.
 ' ±O ±O  O  ± 


Î  

2.
  '  ± O   O  ±  Î 



En resumen, una variable aleatoria continua queda caracterizada por su función de

densidad y su función de distribución. Conocer una de ellas nos permite conocer la
otra gracias a que:

ï O  ± 

Î  


ï O K ± Î 

c c

  
 c c

 !"!#!$"
?ea ' una variable aleatoria continua con rango  ' y función de densidad

Î  , se define la esperanza matemática, media o valor esperado de ' como

 ± 
'  ±  Î   .
 '


?i  ' ± > , entonces 
'  ±  Î   .


Nota: es posible que la integral impropia no tome un valor finito, en cuyo caso se
dice que no existe la esperanza matemática.

 !"!#!$"

Página 4 de 13

?i ' es una variable aleatoria continua y È> > una función real, se define

  '  ±   Î   .
 '

c&%,). Propiedades de la Esperanza Matemática

1. 
 ± , para toda constante  >

2. 
'    ± 
'   Ä
 Ä   >

3. 
'    ± 
'  
 Ä
' Ä 

4. ?i ' ` Ä '
Äl Ä ' 4 son variables aleatorias independientes, entonces

  ' ` ; '
;l ; ' 4 ±   ' ` ;   '
;l ;   ' 4

5. ?i `  

 Ä
> entonces   `    
 

 !"!#!$"
?e define el momento de orden de la variable aleatoria ' como

‘ ±  ' ± 
Î   Ä
ë , y el momento centrado de orden de la
 '

variable aleatoria ' como  ±   '  

±
 '
 

Î   Ä
ë .

Nótese que ‘ ` ±   ' y Ë` ± .

 !"!#!$"
?e define la varianza de una variable aleatoria ' como

R
±   ' ±   '  

±
 '
 


Î   .

Nótese que R


± 
.

La varianza es una medida de la dispersión de una variable aleatoria en torno a su

media.

c&%,)Propiedades de la Varianza
1. Ô   ' ë

2. Ô   ' 6  ±

Ô   ' , con Ä
>


3.   ' ±  ' 

   '

 !"!#!$"

?e define la desviación típica de una variable aleatoria ' como  ± 6 Ô  ' .

Página 5 de 13

c
  

 !"!#!$"
Decimos que una variable aleatoria ' sigue una distribución Normal de
parámetros Ë
> y   , y la denotamos por ' È   Ä R 

, si su función de

` `   Ë 

densidad es Î  ±     Ä
> .

 

  

c&%,)

`  `   Ë 

La función Î  ±     Ä
> posee las siguientes

 

  
propiedades:
1. Î es simétrica respecto de ±  , pues Î   ± Î  
>
`
2. Î alcanza un máximo en ±  , y vale Î   ±
R

3. Î es creciente para   y decreciente para M
4. Los puntos de abscisas Ë   y Ë   son puntos de inflexión de Î

5. La recta ï ± es asíntota de Î , pues  Î  ±  Î  ±

 

La grafica de la función de densidad se denomina curva normal o campana de

Gauss, y además la media coincide con su moda (máximo de la función de
densidad) y mediana (función de distribución igual a 0,5). Otras características
relevantes son sus coeficientes de asimetría y curtosis, ambos nulos.

 !"!#!$"
La función de distribución de una variable normal es

`  `
Ë  

 ± 

Î 

± 
 

     
.


  

c&%,)

Página 6 de 13

?i ' È   Ä R 

, entonces   ' ±  y   ' ±R
.

Demostración


  `  
`  
A.   ' ±   ± 


R 
Î    y haciendo
 R



± ± R     ± R  . Como los límites de integración son los
R
 
 
 

R ` 
 R     R  
  
mismos   ' ± 

 ±

 

 .
R




La primera integral es nula por ser una función impar y los límites de integración
simétricos respecto al origen. La segunda integral es la llamada de las
 



probabilidades de Gauss, y viene dada por

 ±
. Por tanto   ' ± 


.


6 6 ` Ë 
`  
±  '  Ë ±
 




B. Ô   ' Ë Î   ± Ë 

 
 y
  

 


tomando ± ± R     ± R  y teniendo en cuenta que los
R
 

R

 ; ;

límites de integración son iguales   ' ±

 .






Integrando por partes
±  y 
±  ; 

 , se obtiene Ô   ' ± 
.

c&%,)
Cualquier combinación lineal de variables aleatorias normales e independientes
sigue una distribución normal.
?i ' `Ä '
Ä Ä ' 4 son independientes, '  È    Ä R 
R 
M
 ± `Ä
Ä Ä4 y
4
dados ` Ä 
Äl Ä 4 Ä   > 
 ± `Ä
Ä l Ä 4 , entonces llamando ' ±  '  
 ±`

 4 4

' È         Ä  
R 


 ±`  ±` 

c&%,)
' 
?i ' È   Ä R 

entonces  ±
R
È   Ä` .

Página 7 de 13

Por tanto la función de distribución de cualquier   Ä R
se puede calcular

utilizando la distribución   Ä` de la siguiente forma:

' Ë Ë  Ë 
'
 ±  
  ± 



 
' 
Donde  ± È   Ä` . Generalmente se denota ”   ±
  .
R
Esta teorema permite emplear las tablas de la   Ä` para obtener la función de
distribución de cualquier distribución normal.

c&%,)
?ea  È   Ä` , entonces la variable ' ± 
6 Ë È  Ë Ä 
. 
 !"!#!$"
Decimos que una variable aleatoria ' sigue una distribución Normal Estándar o
Tipificada, y la representamos como ' È   Ä` , cuando sus parámetros son

` 

˱ y 


± ` , y su función de densidad es por tanto Î  ± 

Ä
>


.
Esta distribución tiene especial importancia, ya que en ella se basan la mayor parte
de las distribuciones muestrales de los estadísticos utilizados en Inferencia
Estadística, tanto en la estimación por intervalos como en contrastes de hipótesis, o
al menos sus distribuciones asintóticas en virtud a los teoremas de convergencia.

c&%,)
`

La función Î  ± 

Ä
> posee las siguientes propiedades:


1. Î es simétrica respecto de ± , pues Î  ± Î 
>
`
2. Î alcanza un máximo en ± , y vale Î  ±


3. Î es creciente para y decreciente para 
4. Los puntos de abscisas ` y  ` son puntos de inflexión de Î

5. La recta ï ± es asíntota de Î , pues  Î  ±  Î  ±

 

Página 8 de 13

 !"!#!$"
La función de distribución de una variable normal estándar se representa como
`

” ±  Î 



±



 


Ä
 >

c&%,)
?ea  È   Ä` con función de distribución ” . ?i ' È  Ë Ä 
 entonces

 Ë 
a) '
 ± 

 
   
b)
   '   ± ”   ”

R 
R 

c&%,)
?ea ' È   Ä` con función de distribución ” . Entonces  ± `  .

Demostración
Puesto que Î  ± Î 
 > , entonces


”  ±  Î 



±  Î 

±
 ' M ± ` ”  .

c&%,)
Las rectas ï ± Ä ï ± ` son asíntotas de la función  , pues siempre

  ± y   ± ` , pero como además Î  
> , entonces

 6

nunca ”  ± ni ”  ±`.

c&%,)
?i ' È   Ä` entonces   ± y Ô  ± `.

 

-
  
  

 

En una repetición de experimentos independientes de Bernoulli con el mismo
parámetro de éxito  , cuando 4 suficientemente grande, surge un problema de

Página 9 de 13

manejabilidad y cálculo de su distribución y probabilidades puntuales, e incluso no
resuelve este problema su aproximación al modelo de Poisson.

c&%,). (De Moivre-Laplace)

Dadas ' ` Äl Ä ' 4 variables aleatorias independientes e idénticamente distribuidas

 ±   ±` '  .
4
con '  È    , y la variable aleatoria binomial Entonces

   4  `



 
±   
 ±  .


4 `   

4



   
Es decir, la variable tipificada  ± tiene como distribución límite la
 
normal estándar, y por consiguiente, a partir de cierto 4 la distribución de esta
variable aleatoria se aproxima por la distribución normal estándar, es decir,
 ï  4   ï  4 

 ï ±
  ù ”  .
 4 `    


4 `    

En la práctica se utiliza la aproximación del modelo binomial de parámetros 4Ä 

al normal de parámetros 4Ä 4 `   considerándose adecuada cuando

4 `   M
.

&.) Para una correcta aplicación de esta aproximación de una variable aleatoria
discreta  (binomial) por una variable aleatoria continua
(normal), se debe
realizar la denominada corrección de continuidad a la hora de calcular las
probabilidades puntuales, ya que en una variable aleatoria discreta la
 ± ï  Ä ï
  , en cambio cuando la variable es continua la

 ±  ± .
Esta corrección consiste en considerar intervalos de la forma
 ï  `  4 ï 6 `
 4 


 ±ï   ï  `

ï 6 `
± 
 4 `  


±
4 `   

.
 ï 6 `  4   ï  `  4 
± 
 

 4 `    4 `  




c
 

c  cc

c&%,) Central del Límite (Lindeberg-Lévy)

Página 10 de 13

?ean ' ` Äl Ä ' 4 variables aleatorias independientes e idénticamente distribuidas
con media  ± '   y varianza   '   ± R
 , entonces

 ' Ë 
 
±  .

 4 
4

De donde se deduce que el estadístico media muestral ' a partir de un proceso de

muestreo aleatorio simple de tamaño 4 suficientemente grande, de cualquier
distribución con media Ë y varianza 
, se aproxima a una variable aleatoria

 R
  R

normal de parámetros   Ä , ' È  Ä .

4 
4 

c
  


c
 /0

c&%,)
Una variable aleatoria se distribuye Chi-Cuadrado con 4 grados de libertad, ' È ! 4

, cuando sigue la misma distribución que la suma de los cuadrados de 4 variables
aleatorias normales estándar e independientes:
4
' ±  ' 
con '  È   Ä` e independientes,  ± `Ä
Ä l Ä 4 .
 ±`

c&%,)
?i ' ` Ä '
Äl Ä ' 4 son variables independientes tales que


 '    4
'  È    Ä R 


Ä  ± `Ä
Ä l Ä 4 entonces   

È 4 .
 ±`
R  

c
 . c
 c
 !"!#!$"
Decimos que una variable aleatoria se distribuye t de ?tudent con 4 grados de
libertad, y lo representamos como ' È 4 , si tiene función de densidad de
 4 6`

` 


Î  ±  ` 6 Ä
> , donde O representa la función Beta
` 4
4O  Ä

4 




* `     *

 `
de Euler definida por O   Ä * ± `   ± Ä Ä *  .
  6 *

c&%,)

Página 11 de 13

Una variable aleatoria se distribuye t de ?tudent con 4 grados de libertad, ' È  4 ,
si es el cociente entre una variable aleatoria normal estándar y la raíz cuadrada de
una variable Chi-Cuadrado dividida por sus grados de libertad, que son 4 , y siendo
las variables independientes:

' ± con  È   Ä`Ä  È  4
e independientes.

4

c&%,)
?i ' È  4 entonces cuando 4 el modelo t de ?tudent se aproxima al normal
estándar.

c
    
c&%,)
Decimos que una variable aleatoria se distribuye F de ?nedecor con parámetros _
y 4 , ' È O 
Ä 4 , si es el cociente entre dos variables aleatorias Chi-Cuadrado

independientes divididas por sus grados de libertad, que son parámetros _ y 4

respectivamente:

' ± _± 4 con  È 

Ä  È  4
e independientes.

Ô _Ô
4

 
 
Hemos analizado la Distribución Normal, la más utilizada de las
distribuciones de probabilidad de variable continua .
La importancia de este modelo se debe principalmente a la aplicación
práctica del mismo, ya que proporciona un modelo de distribución al que se
aproximan los modelos de distribución de numerosas variables aleatorias asociadas
a fenómenos naturales, entre los que podemos citar:
- Fenómenos morfológicos de los individuos de cierta población ( peso, altura,«)
- Fenómenos fisiológicos, como el efecto de tratamientos aplicados a
enfermedades de personas, animales y plantas.
- Fenómenos sociológicos, como el impacto de un nuevo producto en el
mercado
- Fenómenos psicológicos, como el coeficiente intelectual
- Errores de medida

Todo ello nos sirve para reafirmar las palabras de Kendall de que la Estadística no
es ³una ciencia vulgar que busca la manera de tratar los datos numéricos´, sino ³la
base del conocimiento cuantitativo´.

Página 12 de 13

  
 Durá Peiró y López Cuñat, Fundamentos de Estadística, Ed. Ariel Economía
 Canavos, G. C., Probabilidad y Estadística: Aplicaciones y Métodos, Ed.
McGraw-Hill
 Mood y Graybill, Introducción a la Teoría de la Estadística, Ed. Aguilar

Página 13 de 13