Guı́a de Clase:

Distribuciones Continuas
Vilma S. Romero Romero1

Resumen:
En esta sesión desarrollaremos la Distribución Chi-Cuadrado, la Distribución t-
Student y la Distribución F.
1
M.Sc. en Estadı́stica, Lancaster University, Reino Unido

1. Distribución Chi-Cuadrado
La distribución Chi-Cuadrado es el elemento básico para diferentes procedimientos en
inferencia estadı́stica. Por ende, la comprensión de esta distribución es importante para
realizar pruebas de hipótesis, construir intervalos de confianza, la bondad de ajuste,
entre otros. Fue propuesta por el británico Karl Pearson, quien es considerado el padre
de la Estadı́stica Moderna y creador del primer Departamento de Estadı́stica en el
mundo en University College London.

1.1 Función de Densidad

La variable aleatoria continua X tiene una distribución Chi-Cuadrado con

parámetro r , X ∼ χ2 (r) , si su función de probabilidad está definida por:

1

r/2 xr/2−1 e−x/2 , x ≥ 0
f (x) = 2 Γ(r/2)
 0 ,x<0

Donde el parámetro r es llamado número de grados de libertad de X y es un

número entero positivo.

Se puede notar que la distribución Chi-Cuadrado es un caso particular de la distribución

Gamma. Esto ocurre cuando los parámetros de forma y escala toman los siguientes
valores:
α = r/2 y β=2

1 1
O con parámetro ratio θ = β = 2

VRR • Estadı́stica II • Ciclo 2018-II 1

 Distribuciones Continuas

Grados de Libertad:
En estadı́stica, son definidos como el número de “observaciones” (piezas de in-
formación) de los datos que pueden variar libremente al estimar parámetros es-
tadı́sticos.

Fig. 1: Funciones de densidad de probabilidad Chi-Cuadrado con diferentes grados de

libertad (r = 2, 3, 5, 8). Imagen tomada de Hogg et al. (2015)

1.2 Función de Distribución Acumulativa

Debido a que la distribución Chi-Cuadrado es muy importante en diferentes aplica-
ciones, ya se cuenta con tablas que proporcionan la Función de Distribución Acumula-
tiva para diferentes valores de r y x.

Z x
1
F (x) = wr/2−1 e−w/2 dw
0 2r/2 Γ(r/2)

Ejemplo
Sea la variable Y ∼ X 2 (r = 5), calcular P (1.145 ≤ Y ≤ 12.83)

P (1.145 ≤ Y ≤ 12.83) = P (Y ≤ 12.83) − P (Y ≤ 11.145) = 0.975 − 0.050 = 0.925

VRR • Estadı́stica II • Ciclo 2018-II 2

 Distribuciones Continuas

Fig. 2: Una sección de la tabla Chi-Cuadrado.

Imagen tomada de Hogg et al. (2015)

1.3 Media y Varianza

r r
• E(X) = αβ = 2
= r • V ar(X) = αβ 2 = 2
2 = 2r
2
2

1.4 Aplicación en el Proceso de Poisson

Si los clientes llegan a una tienda en un promedio de 30 por hora de acuerdo a un
proceso de Poisson, determinar la probabilidad de que el vendedor tenga que esperar
más de 9.390 minutos para que lleguen los primeros nueve clientes.

VRR • Estadı́stica II • Ciclo 2018-II 3

 Distribuciones Continuas

Solución
Se puede notar que el promedio de llegadas por minuto es λ = 1/2. Por lo tanto,
si denotamos la variable aleatoria T = Tiempo de espera hasta la novena llegada,
T ∼ Gamma(α, β). Donde, α = 9 y β = 1/λ = 2.
1
f (T ) = (18/2) x(18/2)−1 e−x/2 ∼ χ2 (18)
2 Γ(18/2)
En consecuencia,

P (T > 9.390) = 1 − P (T ≤ 9.390) = 1 − 0.05 = 0.95

1.5 Propiedades de la Distribución Chi-Cuadrado

Si Z ∼ N (0, 1), una distribución normal estándar, entonces la variable aleatoria

X = Z 2 se distribuye como χ2 (1) y tiene la siguiente función de densidad de
probabilidad: 
1

1/2 x(1/2)−1 e−x/2 , x ≥ 0
f (x) = 2 Γ(1/2)
 0 ,x<0

Demostración
1 2
Sabemos que X = Z 2 , donde f (z) = √1 e− 2 z . Vamos a empezar obteniendo la
2π
distribución acumulativa de X:
√ √
F (x) = P (X ≤ x) = P (Z 2 ≤ x) = P (− x ≤ Z ≤ x)
√ √ √
F (x) = Φ( x) − Φ(− x) = 2Φ( x) − 1

Entonces, para obtener la función de densidad de X, debemos derivar F (x).

 
1 −1 1 1
⇒ f (x) = 2 x 2 √ e− 2 x
2 2π
1 1 1 1
f (x) = x− 2 √ e− 2 x = 1/2 x−1/2 e−x/2 
2π 2 Γ(1/2)

El resultado obtenido es una distribución Γ( 12 , 2) y es llamada distribución Chi-Cuadrado

con 1 grado de libertad, X ∼ χ2 (1).

VRR • Estadı́stica II • Ciclo 2018-II 4

 Distribuciones Continuas

Sean Z1 , Z2 , . . . , Zn variables aleatorias

Pn independientes donde Zi ∼ N (0, 1). Si
2
definimos la variable aleatori Y = i=1 Zi , entonces Y sigue una distribución
Chi-Cuadrado con n grados de libertad.
n
X
Y = Zi2 ∼ χ2 (n)
i=1

Propiedad Reproductiva

Sean X1 , X2 , . . . , Xn variables aleatorias independientes donde cada Xi ∼ χ2 (ri )

para i = 1, 2, 3, . . . , n. Entonces,
n
X
Xi ∼ χ2 (r1 + r2 + · · · + rn )
i=1

2. Distribución t-Student
Sea Z una variable aleatoria normal estándar y X ∼ χ2 (r) una variable aleatoria
independiente de Z. Entonces, se dice que la variable aleatoria T tiene una distribución
t con r grados de libertad si está definida como el siguiente ratio:
Z
T =p
X/r

2.1 Función de Densidad

La variable aleatoria T tiene una distribución t-Student con r grados de li

bertad, T ∼ t(r) , si su función de probabilidad está definida por:
−(r+1)/2
t2

1 Γ[(r + 1)/2]
f (t) = √ 1+ , −∞<t<∞
πr Γ(r/2) r

La función de densidad tiene su valor máximo en t = 0 y decrece simetricamente

al incrementarse |t|. Además, cuanto mayor sean la cantidad de grados de libertad,
la función de densidad de probabilidad se aproxima a una función de densidad de
probabilidad de una normal estándar.

VRR • Estadı́stica II • Ciclo 2018-II 5

 Distribuciones Continuas

Fig. 3: Comparación de curvas t con curva z.

Imagen tomada de Devore and Berk (2012)

Se puede observar que para r = 1, la curva de densidad t posee colas pesadas compara-
das con la de la curva normal estándar. Sin embargo, a medida que van aumentando
los grados de libertas, la función de densidad de probabilidad se asemeja a la normal
estándar.

2.2 Media y Varianza

r
• E(T ) = 0 • V ar(T ) = ,r>2
r−2

VRR • Estadı́stica II • Ciclo 2018-II 6

 Distribuciones Continuas

Fig. 4: Una sección de la tabla t-Student.

Imagen tomada de Hogg et al. (2015)

3. Distribución F
Sean X1 y X2 variables aleatorias Chi-Cuadrado independientes con r1 y r2 grados de
libertad respectivamente. Entonces, la distribución F con r1 y r2 grados de libertad
está definida como el siguiente ratio:

X1 /r1
F =
X2 /r2

VRR • Estadı́stica II • Ciclo 2018-II 7

 Distribuciones Continuas

3.1 Función de Densidad

La variable aleatoria continua X tiene una distribución F con r1 y r2 grados

de libertad, X ∼ F (r1 , r2 ) , si su función de probabilidad está definida por:
(  r1 /2
Γ[(r1 +r2 )/2] r1 x(r1 /2)−1
f (x) = Γ(r1 /2)Γ(r 2 /2) r 2
. (1+r (r +r2 )/2
1 x/r2 ) 1
,x≥0
0 ,x<0

Fig. 5: Curvas de densidad F.

Imagen tomada de Devore and Berk (2012)

Recursos Adicionales
Córdova Zamora, M. (2003). Estadı́stica: Descriptiva e Inferencial Aplicaciones.
Moshera S.R.L.

Devore, J. L. and Berk, K. N. (2012). Modern Mathematical Statistics with Applica-

tions. Springer, 2 edition.

Hogg, R. V., Tanis, E. A., and Zimmerman, D. L. (2015). Probability and Statistical
Inference. Pearson, 9 edition.

VRR • Estadı́stica II • Ciclo 2018-II 8