SEXTA PARTE

LA DISTRIBUCIÓN NORMAL DE PROBABILIDADES Y SUS

DISTRIBUCIONES ASOCIADAS

1. PRELIMINARES

PROPOSICIÓN 6.1 Para cualquier t se cumple que

Demostración. Se introduce la expresión

Luego,

En la expresión anterior se propone el cambio de variables y , con

y . El jacobiano de la transformación propuesta es

En consecuencia,
2. DISTRIBUCIÓN NORMAL DE PROBABILIDADES

La variable aleatoria X tiene distribución normal de probabilidades si su función de densidad

está dada por

2
1 1 x
exp
2 2

donde µ y σ son constantes, –∞ < µ < ∞, σ > 0 y –∞ < x < ∞.

Se verifica que la expresión anterior es una función de densidad. En efecto, es claro que
para todo x. Además, haciendo el cambio de variables , con , se
tiene que

La función generadora de momentos de la variable X es

Si en la expresión anterior se realiza el cambio de variables , con , se
obtiene

El valor esperado de la variable aleatoria X es

El segundo momento con respecto al origen de la variable aleatoria X es

Por lo tanto, la varianza de la variable aleatoria X es

La función de densidad de la variable aleatoria X tiene además las siguientes propiedades:

(i) La ecuación

No tiene solución real para x; luego, es una asíntota para la función de

densidad.

(ii) Si se hace el cambio de variables en la función de densidad , entonces las

dos primeras derivadas de la función con respecto a t son
 De la condición , se obtiene que la función tiene un punto crítico en
. Además, . Por lo tanto, la función tiene un único
máximo en el punto . Equivalentemente, la función tiene un único
máximo en el punto

(iii) De la condición , se obtiene que la función tiene puntos de inflexión

en . Equivalentemente, la función de densidad tiene puntos de inflexión
en .

(iv) Es claro que ; por tanto, en el intervalo la función es

cóncava hacia abajo.

(v) También es claro que para todo k, se tiene que ; por tanto, la
función es simétrica con respecto a la recta

De lo expuesto, se concluye que las constantes y determinan una función particular

de modo tal que y son los parámetros de la distribución normal. Simbólicamente, se
escribe

3. PROPIEDAD REPRODUCTIVA DE LA DISTRIBUCIÓN NORMAL

Supóngase n variables aleatorias independientes tales que X i con

i = 1, … , n. Se define la variable aleatoria

En virtud de la independencia de las variables aleatorias Xi se tiene que la función

característica de la variable aleatoria Y es
Luego, la variable aleatoria Y tiene distribución normal con media y varianza .
Simbólicamente se escribe

Los resultados anteriores pueden generalizarse para cualquier tipo de combinaciones lineales
de variables aleatorias normales independientes. Sean variables aleatorias
independientes y normalmente distribuidas. Se define la combinación lineal

donde los coeficientes a0 y ai son constantes reales no todas necesariamente iguales a cero.

Entonces, la combinación lineal Y tiene también distribución normal con media igual a
y varianza igual a . Simbólicamente se escribe

Si las variables aleatorias son independientes tales que , con

, entonces se cumple que

EJEMPLO 6.1 Sea . Sea además la variable aleatoria definida como

Es claro que la variable aleatoria Z es una combinación lineal de la variable aleatoria normal X con
y . Por lo tanto, Z tiene distribución normal con media igual a
y varianza igual a

Simbólicamente se escribe
Z

que es un caso particular de la distribución normal comúnmente conocida como distribución normal
estándar o tipificada, muy útil para efectos prácticos de cálculo de probabilidades.

EJEMPLO 6.2 Un eje de corte transversal circular debe encajar dentro de un cojinete. Sea la
variable aleatoria que representa el diámetro del cojinete y el diámetro del eje, ambos expresados en
centímetros. Supóngase que y Supóngase además que
ejes y cojinetes se fabrican independientemente unos de otros. Se quiere saber la fracción de piezas
que no encajan. Si se asume que el espacio libre entre el eje y el cojinete es

entonces, Y, como combinación lineal de variables normalmente distribuidas, tiene a su vez

distribución normal con media y varianza iguales a

Eje y cojinete no encajan cuando , luego

Una versión más general del teorema sobre la distribución de la suma de variables aleatorias
normales arriba desarrollado afirma que las variables aleatorias si bien son
normales, no deben ser necesariamente independientes y el teorema igualmente se cumple. Es
decir, cualquier combinación lineal de variables aleatorias normales tiene distribución normal
con media igual a

y con varianza igual a

4. TEOREMA CENTRAL DEL LÍMITE

Supóngase una secuencia de n variables aleatorias independientes, tales que

y , con i = 1, …, n. Se define

Entonces, bajo ciertas condiciones generales, la variable aleatoria

n
Y i
Z* i 1
n
2
i
i 1

tiene aproximadamente distribución normal estándar en la medida en que n → ∞. Es decir, si

es la función de la variable aleatoria Z* , entonces se cumple que

donde es la función de distribución de una variable normal estándar.

Las condiciones generales arriba mencionadas apuntan a que los términos Xi tomados de
manera individual contribuyen con una cantidad insignificante a la varianza de la suma Y. Es
también de resaltar en el teorema que los términos Xi de la suma pueden tener en esencia
cualquier tipo de distribución y, sin embargo, la suma Y tendrá una distribución
aproximadamente normal siempre y cuando la cantidad de miembros en la suma sea
suficientemente grande. He aquí la importancia de la distribución normal.

Un caso especial del teorema central del límite surge cuando cada una de las variables Xi son
tienen la misma distribución; es decir, y con En este caso,
se tiene que . Luego, la variable aleatoria

Y n
Z
n

tiene aproximadamente distribución normal estándar.

Con el supuesto restrictivo que existe para t real, puede presentarse una prueba directa
para este caso particular del teorema central del límite.
EJEMPLO 6.3 Se empacan 250 piezas en una caja. Los pesos de las piezas son variables
aleatorias independientes con media de 0,5 libras y desviación estándar de 0,1 libras. Se cargan 20
cajas en una báscula. Si se desprecia el peso de la báscula y de la caja, el peso de las cajas se puede
representar como

de tal modo que

Luego,

5. DISTRIBUCIONES ASOCIADAS CON LA DISTRIBUCIÓN NORMAL

5.1 Distribución ji-cuadrado. Sea Z1 ,…,Zk una sucesión de k variables aleatorias

independientes tales que entonces la variable aleatoria definida como

k
Y Z i2 Z 12 Z 22  Z k2
i 1

tiene distribución ji-cuadrado centrada con k grados de libertad. Simbólicamente se escribe

La función de densidad de la variable Y es

Obsérvese que la distribución ji-cuadrado con k grados de libertad es un caso particular de la

distribución gamma, para la cual los parámetros de forma y de escala son iguales a y ,
respectivamente.

El valor esperado de la variable Y con distribución ji-cuadrado centrada es

y la varianza es

La curva de distribución de una variable aleatoria ji-cuadrado es asimétrica y el grado de

asimetría depende del número total de grados de libertad de la distribución. Cuando los
grados de libertad son relativamente pocos, la curva es altamente sesgada hacia la derecha. La
curva se tornará más simétrica a medida que los grados de libertad aumenten. De hecho, para
un total de grados de libertad por encima de 100, la variable aleatoria 2Y 2k 1 se puede
tratar como una distribución normal estandarizada.

Además, si se tiene una sucesión Y1 , … , Yn de n variables aleatorias independientes tales que

, entonces la variable aleatoria definida como

n
Yi Y1 Y2  Yn
i 1
n
también tiene distribución ji-cuadrado con K k i grados de libertad. Es decir, la
i 1
distribución ji-cuadrado exhibe la propiedad reproductiva.

5.2 Distribución t de Student o distribución de Snedeccor. Sea Z una variable aleatoria

con distribución normal estándar y Y una variable aleatoria con distribución ji-cuadrado con k
grados de libertad, independiente de la distribución de Z. La variable aleatoria definida como

Z k
t Z
Y
k
Y

tiene distribución t de Student (o distribución de Snedeccor) con k grados de libertad.

Simbólicamente se escribe

Puesto que las variables aleatorias Z y Y son independientes, tienen función de densidad
conjunta dada por
Aplicando el teorema de la transformación al sistema de cambios de variables y
, se obtiene que la función de densidad de la variable con distribución t de Student es

El valor esperado de la variable con distribución t de Student es

y la varianza es

La curva de la distribución t de Student simétrica, al igual que la distribución normal, pero un

poco más plana y con las colas más pesadas que esta última. Sin embargo, a medida que
k la distribución t de Student se aproxima a la distribución normal estándar.

5.3 Distribución F o distribución de Fisher. Sean Y1 y Y2 dos variables aleatorias

distribuidas en forma independiente una de la otra como una ji-cuadrado con k 1 y k 2 grados de
libertad, respectivamente. La variable aleatoria definida como

Y1
k1 Y1 k 2
X Y2
k2 Y2 k1

tiene distribución F (o distribución de Fisher) con k 1 grados de libertad en el numerador y k 2

grados de libertad en el denominador. Simbólicamente se escribe
Puesto que y son variables aleatorias independientes, se tiene que

Si se definen las nuevas variables y , entonces en virtud del teorema de la

transformación se tiene que la función de densidad de la variable X con distribución F es
El valor esperado de la variable X con distribución F es

el cual está definido para k 2 > 2.

La varianza de la variable X con distribución F es

la cual está definida para k 2 > 4.

Al igual que la distribución ji-cuadrado, la distribución F es sesgada a la derecha, pero se

aproxima a una distribución normal cuando sus grados de libertad aumentan indefinidamente.

Existen dos resultados relacionados con la distribución de Fisher que son de gran utilidad
práctica. A saber:
(a) El cuadrado de una variable aleatoria que tiene distribución t de Student con k grados de
libertad es a su vez una variable aleatoria que sigue una distribución F con 1 grado de libertad
en el numerador y k grados de libertad en el denominador.
(b) Si en una distribución F el número grados de libertad del denominador es relativamente
alto, entonces se cumple que k1 F