Tema 03:

Distribuciones de probabilidad derivadas de la distribución Normal

(resolver los ejemplos y los ejercicios complementarios utilizando las tablas y Excel)
1.1. Distribución Normal o de Gauss: ξ ~ N ( µ ; σ )

Se dice que una variable aleatoria se distribuye según un modelo Normal de paráme-
tros (µ;σ) si su función de densidad es:

1 ( x − µ )2 1 1 1 ( x − µ )2
1 − − − −
f ( x; µ , σ ) =
2
⋅e 2 σ2
= (2π ) ⋅ (σ ) 2 ⋅ e 2
2 2 σ2
,  x ∈ℜ
σ 2π 
con  µ ∈ℜ
=
donde: E [ξ ] µ=y V [ξ ] σ 2 . σ > 0


Esta función es simétrica respecto a µ y de forma acampanada, su representación

gráfica es la “campana de Gauss”. Su campo de variación es (-∞,+∞):

Su media y su varianza son: E [ξ ] = µ y V [ξ ] = σ 2

Ejemplos para diferentes µ y σ:

1
Propiedades

Cualquier combinación lineal de variables aleatorias, cada una con distribución de pro-
babilidad según el modelo Normal, se distribuye también según una Normal de paráme-
tros, si las variables son independientes en probabilidad, los que se exponen a conti-
nuación:

n  n n 
ξ i ~ N ( µi ;σ i ) i = 1,..., n ⇒ ∑ ciξi ~ N  ∑ ci µi ; ∑1 i i 
σ
2 2
Sean c
=i 1 =  i 1 

 n n n
Si consideramos simplemente la suma de las variables: ∑ ξi ~ N  ∑ µi ; ∑1 σ  2
i
=i 1 =  i 1 
n

Y si tienen la misma media µ y la misma varianza σ2 : ∑ξ

i =1
i ~ N  nµ ; nσ 

2
 Distribución Normal ξ ~ N ( 0;1)

Una variable aleatoria ξ* se distribuirá según una Normal (0;1) si su función de densidad
es igual a:

1 1 1
1 − x2 − − x2
fξ * ( x ) = ⋅e 2
= (2π ) ⋅ e 2
2

2π
Siendo su representación gráfica:

Función de densidad N(0;1)

f(x)

-6 -4 -2 0 2 4 6

valores

La variable ξ*∼ N(0;1);=

µ E[ξ=
*
σ
] 0,= σ
= 2
V [ξ=
*
] 1, se obtiene tipificando o “es-
tandarizando” una variable ξ ∼ N(µ;σ)

ξ −µ
ξ* = ξ
⇒= σξ * + µ .
σ

3
Las probabilidades de que los valores de la variable ξ*∼ N(0;1) pertenezcan a un inter-
valo determinado se pueden calcular por medio de sus Tablas. Para calcular la probabi-
lidad de que una variable ξ ∼ N(µ;σ) cualquiera pertenezca a un determinado intervalo
lo haremos utilizando su relación con la variable ξ*:

ξ − µ K − µ   * K −µ  K −µ 
P [ξ ≤ K ] = ≤ = ξ ≤ =
σ  ξ  σ 
P P F *  .
 σ σ  

a − µ b−µ a − µ b−µ b−µ  a−µ 

P [a ≤ ξ =
≤ b] P  ≤ ξ* ≤ = < ξ *
≤ = −
σ  ξ  σ  ξ  σ 
P F *   F *  .
 σ σ   σ

Ejemplo 1: Dada una variable ξ ∼ N(20;5) calcular la P[ξ ≤15].

Solución:

 ξ − 20 15 − 20   * 15 − 20 
P [ξ ≤ 15] =P ≤  =
P ξ ≤  P ξ * ≤ −1
=
 5 5   5 
Donde ξ * es N (0,1).
P ξ * ≤ −1 =P ξ * ≥ 1 =1 − P ξ * ≤ 1 =1 − 0.8413 =0.1587 tablas (pag. 18).

4
1.2. Distribución Chi-cuadrado ó χ 2 de Pearson.
Se dice que una variable aleatoria se distribuye según un modelo de distribución Chi-
cuadrado o Ji-cuadrado de Pearson con “n” grados de libertad y se representa por χ n ,
2

si es igual a una suma de “n” variables independientes, cada una de ellas N(0;1) y ele-
vadas al cuadrado. Es decir:

n
χ = ξ + ξ + ... + ξ =
2
n 1
2 2
2
2
n ∑ξ
i =1
i
2
siendo ξi ∼ N(0;1) e independientes para i = 1, … , n

Como se puede observar el número de grados de libertad se corresponde con el núme-

ro de variables N(0;1) que intervienen en su definición.

Su campo de variación es [0,+∞). Su función de densidad es asimétrica por la derecha

y, a partir de n>3, su representación gráfica es, aproximadamente :

f. de densidad de ji-cuadrado con 20 grados de

libertad

0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
0 20 40 60

valores

Se pueden obtener su Media o Esperanza matemática y su Varianza que son, respecti-

vamente:
E  χ n2  = n V  χ n2  = 2n

Propiedad aditiva:

5
Si χ n1 , χ n2 ,..., χ nk son k variables aleatorias, todas con distribución
2 2 2
χ 2 e independien-
tes, entonces su suma se distribuirá también según el modelo χ2 con “N” grados de li-
bertad. Siendo N = n1 + n2 + … + nk

k k
2
nj
2
N
=j 1 =j 1
∑ χ χ=
= con N ∑n j

Uso de Tablas: En las tablas de la Distribución χ se determina el valor K que deja a

2

su derecha una probabilidad igual a “α”. Es decir, conocido el valor de “n” y para un va-
lor de “α” dado, se obtiene el valor de K, tal que P  χ n ≥ K  =
α
2

Gráficamente:

EJEMPLO 2: Dada la distribución de la Chi-cuadrado para n = 20, hallar los valores

críticos χα /2 y χ1−α /2 del intervalo de la χ 2 , para los cuales la probabilidad de va-
2 2

lores no comprendidos en dicho intervalo es de α = 0,10.

Solución:

P  χ 20
2
≥ χα /2  =P  χ 20
2
≥ χ 0.05  =0,05 → Tablas (pag. 23) → χ 0.05 =31.410.
P  χ 20
2
≥ χ1−α /2  =P  χ 20
2
≥ χ 0.95  =0.95 → Tablas (pag. 22) → χ 0.95 =10.851.

6
1.3. Distribución ”t” de Student.

Se dice que una variable aleatoria se distribuye según un modelo de distribución “t” de
Student con “n” grados de libertad y se representa por tn si es igual a:

ξ0  N ( 0 ;σ )
tn = 
ξi  i = 0,1,..., n
n

∑ ξi2 siendo las variables

 Independientes
i =1 
n

El número de grados de libertad se corresponde con el número de variables N 0 ;σ ( )

e independientes que intervienen en el denominador de la expresión que define a la va-
riable que, como se puede reconocer, constituye la media cuadrática de esas n varia-
bles.

Su función de densidad es acampanada y simétrica respecto al origen, siendo su repre-

sentación gráfica:

función de densidad de una "t" de Student con 20

grados de libertad

-6 -4 -2 0 2 4 6

valores

Se pueden obtener su Media o Esperanza matemática y su Varianza que son, respecti-

vamente:

E [ tn ] = 0 para n ≥ 2 (Si n=1 no existe la Media)

n
V [ tn ] = para n ≥ 3 (Si n=1 ó 2 no existe la Varianza)
n−2

7
Propiedad: Su distribución de probabilidad es independiente del valor que tome σ2. Al
dividir entre σ tanto en el numerador como en el denominador de la expresión de su de-
finición se obtienen las variables tipificadas, normales (0;1), llegando a la expresión
equivalente de la definición:
ξ 0*
=tn ξ 0* → N ( 0 ;1)
1 2
χn
n
Uso de Tablas: En las tablas de la Distribución “t” de Student se determina el valor tα/2
que deja a su derecha una probabilidad igual a α/2, de tal forma que -tα/2 deja a su iz-
quierda una probabilidad también de α/2. Es decir, conocido el valor de “n” y para un
valor de “α” dado, se obtiene el valor de tα/2 , tal que α o
P  tn ≥ tα /2  =
P [ -tα /2 ≤ tn ≤ tα /2 ] =1−α

Gráficamente:

EJEMPLO 3: Dada la distribución de la t de Student para n = 20, hallar el valor

crítico tα /2 del intervalo de la t, para los cuales la probabilidad de valores no com-
prendidos en dicho intervalo es de α=0.1.

Solución:

P  t20 ≥ t 0.1/2=
 0.1 → tablas (pag.21) → t 0.1/2= t 0.05= 1.725.
P [t20 ≥ t 0.1/2 ] =0.05 → tablas (pag.20) → t 0.1/2 = t 0.05 =1.725.

8
1.4. Distribución “F” de Snedecor.

Se dice que una variable aleatoria se distribuye según un modelo de distribución “F” de
Snedecor con (m,n) grados de libertad y se representa por Fm ,n si es igual a:

m
1
m ∑ξ i
2
 N ( 0 ;σ )
Fm ,n = i =1

m+n
ξi =
i 1,..., m, m + 1,...m + n
∑ ξi2
siendo las variables
1
 Independientes

n
i= m +1

El número de grados de libertad se corresponde con el número de variables N 0 ;σ ( )

e independientes que intervienen en el numerador (m) y en el denominador (n) de la
expresión que define a la variable.

Su función de densidad es asimétrica por la derecha, siendo su representación gráfica a

partir de n>3:

/(n-2)

Se pueden obtener su Media o Esperanza matemática y su Varianza que son, respecti-

vamente:

n
E  Fm ,n  = para n ≥ 3 (Si n=1 ó 2 no existe la Media)
n−2

2n 2 ( m + n − 2)
V  Fm ,n  = para n ≥ 5 (Si n ≤ 4 no existe la Varianza)
m( n − 2) 2 ( n − 4)

9
Propiedades:

1) Su distribución de probabilidad es independiente del valor que tome σ2. Al dividir en-
tre σ tanto en el numerador como en el denominador de la expresión de su definición se
obtienen las variables tipificadas, normales (0;1), llegando a la expresión equivalente de
la definición:
1
χ2
F = m m
m ,n 1
n χ
2
n

1
2) Se comprueba fácilmente que: = Fn ,m y 3) F1,n = tn2
Fm ,n

Uso de Tablas: En las tablas de la Distribución “F” de Snedecor se determina el valor K

que deja a su derecha una probabilidad igual a α. Es decir, conocido el valor de “m” y
“n” y para un valor de “α” dado, se obtiene el valor de K , tal que α
P  Fm ,n ≥ K  =

Gráficamente:

Este cálculo se puede hacer directamente con los valores de las Tablas para valores
pequeños de α, concretamente para α = 0,25; 0,10; 0,05; 0,025; 0,01; 0,005 y 0,001.
Si α tomara un valor mayor, como por ejemplo α = 0,95, se podrá también deducir el va-
lor de K aplicando la propiedad 2) anterior:
 1 1
P  Fm ,n ≥ K  =
0,95 ⇒ P  Fm ,n < K  =
1 − 0,95 =
0,05 ⇒ P >  = 0,05
 Fm ,n K 
 1
⇒ P  Fn ,m >  = 0,05 . El valor de K será el inverso del que encontremos en la
 K
tabla de la Fn ,m para una probabilidad de 1 – 0,95 = 0,05.

10
EJEMPLO 4: Dada la distribución de la F para m = 20 y n =10, hallar los valores
críticos Fα /2 y F1−α /2 del intervalo de la F, para los cuales la probabilidad de va-
lores no comprendidos en dicho intervalo es de α = 0,10.

Solución:

P  F20,10 ≥ Fα / 2  =P  F20,10 ≥ F0.05  =0, 05 → Tablas (pag.28) → F0.05 =2.77.

P  F20,10 ≥ F1−α / 2  = P  F20,10 ≥ F0.95  = 0.95 (no aparece en tablas):
P  F20,10 ≥ F0.95  =1 − P  F20,10 < F0.95  =→0.95 P  F20,10 < F0.95
=  0.05 → utilizamos la inversa:
 1 1   1 
P  F20,10 < F0.95  =P > = 0.05 → P  F10,20 > = 0.05 → Tablas :
 F20,10 F0.95   F0.95 
1 1
Tablas (pag. 29) : = 2.35 → F0.95 = = 0.425.
F0.95 2.35

11